前面我們介紹了一些基本的監督式學習方法，今天讓我們來談談一種特別的學習方式吧！

自監督式學習(Self-supervised learning)

自監督式學習的概念是在正式開始模型訓練之前，先使用大量未標註的資料進行「預訓練」(Pre-train)，以培養模型的基本能力，一旦模型具備了這些基本能力，學習效率就會提高，例如，當需要執行某項任務時，只需要提供少量關於任務的標註資料，來微調(fine-tune)模型的權重，它就能夠快速適應該任務。

這個方法的目標是為了讓模型能夠學習到資料中的通用表示，並將其應用於不同的下游任務中
可以把它看作是一種具有監督形式的特殊非監督式學習方法

而自監督式學習可以分成兩大部分:

Pre-train

在正式訓練我們的特定任務之前，先來讓模型把基本功練好
主要作法是會透過挖掘大量未標記資料中本身的資訊，來得到通用的知識
在這個階段中，我們不會去預設模型將來要執行的任務
舉例：如果影像被顛倒或變色，模型是否能夠成功辨識與原圖相同的物體

Fine-tune

拿一個已經經過預訓練的模型，將其用於下游任務(我們的特定任務)做最後的模型微調，使用監督式學習的方式進行訓練

小小複習到目前為止的學習方式:
情境：你是個小孩，正在學習如何打網球
監督式學習：會有一位教練告訴你如何握拍、如何揮拍，然後你跟著他的指導一步一步學習
對比式學習：教練拿一個網球和一個羽毛球，告訴你它們之間的不同，讓你學會區分它們
自監督式學習：自己在某塊空地發現了一個未知的球，沒有人告訴你這是什麼球，也沒有人告訴你該怎麼打它。但你開始試著拍它，觀察它的彈跳、聲音，並試著找出規則。你可能會發現，當你將球拍以特定的方式擊打時，球會按照一定的軌跡彈跳，這樣你就開始學會如何打這個未知的球

希望這個簡單的比喻有助於理解不同的學習方式！