本文提出了一种噪声学生模型（Noisy Student）自训练的方法，通过这种方法提高ImageNet的分类精度，并在EfficientNet-L2的网络上达到了state-of-the-art的水平。为了训练学生模型，先在ImageNet上训练一个老师模型，然后用这个老师模型在300万张无标签的数据上产生伪标签，用这个有标签和伪标签的数据共同来训练学生网络，如此循环几次，产生一个最终训练好的网络。
训练Noisy Student的主要算法步骤是：
用老师模型在有标签数据集（ImageNet）训练网络，损失函数是cross entropy loss使用步骤1中训练好的老师模型，在无标签数据集（JFT）上产生软伪标签（soft pseudo labels）使用有标签数据集和步骤2中产生的软伪标签数据集一起训练一个不小于老师模型的学生模型，损失函数是两种数据集总的cross entropy loss将步骤3中的学生模型作为老师模型，执行步骤2，迭代循环下去在训练的过程中，作者为了提高模型的鲁棒性，让学生模型比老师模型更好、给训练方法加了两种噪声：
输入噪声：使用数据增强（Data Augment）和RandAugment模型噪声：使用dropout和随机深度（stochastic depth）当然，作者还加入了其他一些tricks，比如对低置信度的数据进行过滤，以及均衡数据（标签过少的数据进行复制，多余标签的只保留较高置信度的数据）。
作者在EfficientNet-L2网络上训练出了最佳模型，采用的方法是：
先用B7训练出一个老师模型；将L2作为学生模型，无标签数据的batch size是有标签数据的14倍；以步骤2中的L2作为老师模型，训练一个新的L2学生模型；以步骤3中的L2学生模型作为老师模型，再训练一个新的L2学生模型，这一次的无标签数据的batch size是有标签数据的28倍。步骤4训练出来的L2学生模型即为最佳模型，在ImageNet数据集上达到了top-1 88.4%、top-5 98.7%的准确率。
