无监督学习深度学习：生成对抗网络：生成器，判别器（模型要有特征提取能力）自监督学习：对比学习和生成式自监督。对比学习：把自己和自己的增广当作同一类。比如我有分辨车标之间不同的能力，我只是不知道车标对应的品牌名。生成式自监督学习：图片经过model1（编码器encoder）形成特征，将特征经过model2（解码器decoder）还原出原始图片，过程记为自编码器生成式自监督学习把自己的一部分当作学习的

本文实现了一个基于半监督学习的食品图像分类系统。通过迁移学习（ResNet50预训练模型）和伪标签机制，有效利用少量标注数据和大量未标注数据提升模型性能。系统采用严格的数据增强策略（随机裁剪、旋转、色彩扰动）和归一化处理，并引入早停机制和伪标签加权损失优化训练过程。实验表明，该方法在验证集上达到83%准确率，相比仅使用标注数据的模型提升显著。代码实现了完整的训练流程，包括数据加载、模型初始化、半监