本项目深入解析对比学习算法的核心原理与实践应用，并提供详细的代码示例和注释，旨在帮助研究者快速掌握相关技术。
对比学习方法支持更多内容的第三方Pytorch实现（请参阅“可用内容”部分）。使用SimCLR进行对比学习预训练，并通过停止梯度进行在线线性评估。该实现采用PyTorch Lightning，具备多GPU训练、混合精度等特性。
在GPU设备上收集负样本以模拟更大的批次大小（尽管梯度不会在GPU上流动），并加快数据加载速度（虽然会使用更多GPU内存）。此外还支持SimCLR多分辨率裁剪以及预训练后线性评估功能（通常可提高1-1.5%的准确率点）。
以下为具体实验结果和模型配置：
| 结果 | 模型 | 方法 | 数据集 | 时代 | 批次大小 | 温度参数 |
|---------|------------|----------|-------------|--------|----------|----------|
| 监督下在线线性评估预训练后线性评估结果：70.74% | Resnet18 SimCLR Imagenet-100 100 256 0.2 |
| 预训练后线性评估结果：71.02% | :check_mark_button: |
此表格展示了在特定配置下，使用ResNet18模型和SimCLR方法针对Imagenet-100数据集进行对比学习预训练，并采用监督下的在线线性和预训练后的线性评估的性能表现。
5星
