具體公式和思想可以看
https://www.cnblogs.com/itmorn/p/11254448.html
先說結果：說白了，這個平滑就是一定程度縮小label中min和max的差距，label平滑可以減小過擬合。
深度學習中的損失函數Loss實際上就是鼓勵模型去接近對應的label，越接近loss越小，巴不得label為1的時候output是0.999。。。
但是這樣真的好嗎？或者說，是不是太過了，尤其針對像交叉熵這類loss，一旦output有些偏差，loss值就往無窮大走了，就逼迫模型去接近真實的label。
萬一好不容易接近label了，結果這條training data還是錯的（是很有可能的）,或者training data並沒有完整覆蓋所有類型，那就必須過擬合了，好比拼命學會的公式如果本來就是錯的，或者你做了100道學習三角函數的題目，結果就做了2題幾何題，那等你考試（test data）時候遇到幾何題老想着把三角函數思想帶入，那肯定得崩。
所以，適當調整label，讓兩端的極值往中間湊湊，可以增加泛化性能
對於DL：過猶不及，90就優秀了，為啥還要追求100？