深度学习中的半监督学习是一种训练方法，它结合少量标注数据和大量未标注数据来构建模型。与完全依赖标注样本的监督学习或不使用任何标注的无监督学习不同，半监督学习利用未标注数据中的内在结构，在标注数据有限时提升模型性能。这在现实世界场景中尤为有用，因为数据标注（例如，标注图像或文本）既耗时又昂贵。例如，训练一个用于分类医学图像的模型可能涉及几百张标注扫描图和数千张未标注扫描图。模型使用标注数据学习基本模式，然后通过分析未标注数据的固有结构来优化其理解。
半监督深度学习中一种常见技术是伪标注（pseudo-labeling），即模型为未标注数据生成临时标签，并将其用作训练目标。例如，在图像分类中，在标注的猫狗图像上训练的模型可能会预测未标注图像的标签。置信度高的预测被视为“伪标签”，并添加到训练集中。另一种方法是一致性正则化（consistency regularization），它强制模型对同一输入的微小修改版本（例如，添加噪声、裁剪或旋转图像）产生相似的输出。这鼓励模型学习鲁棒的特征，从而泛化到标注样本之外。对于文本任务，像 BERT 这样的模型使用掩码语言建模（一种自监督学习形式）在大量的未标注文本语料库上进行预训练，然后在较小的标注数据集上进行微调。
半监督学习的优势包括减少对标注数据的依赖和改善模型泛化能力。应用领域涵盖计算机视觉（例如，有限标注的目标检测）和自然语言处理（例如，少量标注评论的情感分析）。然而，挑战包括确保伪标签的准确性以及避免确认偏差，即错误预测会强化误差。TensorFlow 和 PyTorch 等框架通过灵活的训练循环支持半监督工作流程。例如，FixMatch 算法结合了一致性正则化和伪标注：它应用弱增强（例如，轻微旋转）来生成伪标签，并应用强增强（例如，添加大量噪声）来训练模型以匹配这些标签。通过有效平衡标注和未标注数据，开发者可以在不进行大量标注工作的情况下构建高性能模型。