让 AI 算 Mixup：标签可以按比例混合，两个原样本的损失为何不能直接平均
Mixup把两条训练输入按比例合成，同时混合它们的标签。实现时有时只看见“两份损失加权”，便误以为原样本各算一次再平均就够了。关键要问：两份损失是不是基于同一个混合输入的预测？用一个非线性小函数可以把区别算清楚。
AI模型生成的概念插图：输入与标签同步混合；图形叠合没有对应真实图像数据、精确混合比例或训练界面。
输入与标签沿用同一个系数
取两个虚构二分类样本：A的输入x=0、正类标签y=1；B的输入x=2、标签y=0。固定λ=1/4代表A所占权重，B占3/4。混合输入为(1/4)×0+(3/4)×2=1.5，混合正类目标为(1/4)×1+(3/4)×0=0.25。
若用完整两类目标向量，结果是[0.25,0.75]，和仍为1。它表达训练目标的混合，不表示人工已经确认新输入有25%的客观正类概率。把目标直接取最大项变成硬标签0，会改变这次练习的损失。
模型必须实际看见混合输入
为核算方便，设预测正类概率p(x)=0.2+0.1x²，只在本例输入范围[0,2]使用，因此概率均合法。A的预测为0.2，B的预测为0.6；混合输入1.5的预测为0.425。原预测按相同权重混合却得到0.5，两者不同，因为这个函数是非线性的。
对混合输入使用二元交叉熵：-0.25ln(0.425)-0.75ln(0.575)，约为0.628955。这里用自然对数，0.575是同一个混合输入的负类概率，而不是B的预测。
若先让A、B各通过模型，分别算硬标签损失再加权，得到(1/4)×[-ln(0.2)]+(3/4)×[-ln(0.4)]，约1.089578。数值不同并非舍入误差，而是两个流程送进模型的输入已经不同。
两份损失加权，怎样才等价
固定混合输入的同一个预测0.425，分别对原标签1与0算损失，再按1/4和3/4加权，结果仍是0.628955。这来自交叉熵对目标分布的线性关系。因此实现可以不显式建立软标签向量，但两份损失都必须使用混合输入的预测。
本次程序分别计算软标签交叉熵、同一预测配两个硬标签的加权，以及两个原输入各自损失的加权，前两项一致，第三项不同。让AI把每个概率旁边标出来自哪个输入，比只盯着公式中的λ更容易检查错误。
边界也可以直接核对：λ=1时，输入与标签都回到A；λ=0时都回到B。如果输入用λ而标签误用1-λ，两个端点就会暴露错配。真实批量实现还要让配对索引同时作用于输入和标签，避免打乱其中一份后失去对应。
原始Mixup使用随机凸组合进行增强，本例固定系数只为说明一次计算。数字输入可线性插值，并不意味着所有字段都适合直接混合：类别编号、文本token ID等不能仅因能写成整数就照此运算。应先明确输入表示和标签语义，再评估这种增强是否适合任务。
这份算例没有训练分类器，也没有把损失较小解释成效果更好。两种流程优化的是不同样本上的目标；检查Mixup实现时，先确认混合对象、配对、系数和模型前向入口，再讨论真实验证集的结果。
资料核对日期：2026年10月2日。算例为原创教学设定，已用独立程序复核，未进行真实模型训练或效果测试。
