论文笔记：Distilling the Knowledge

「爱情、让人受尽委屈。」 2022-04-18 04:24 166阅读 0赞

*原文：Distilling the Knowledge in a Neural Network*

# Distilling the Knowledge #

## 1、四个问题 ##

1.  要解决什么问题？
    
     *  神经网络压缩。
     *  我们都知道，要提高模型的性能，我们可以使用ensemble的方法，即训练多个不同的模型，最后将他们的结果进行融合。像这样使用ensemble，是最简单的能提高模型性能的方法，像kaggle之类的比赛中大家也都是这么做的。但是使用多个深度网络模型进行ensemble常常会有十分巨大的计算开销，而且算起来整个算法中的模型也会非常大。
     *  这篇文章就是为了解决这个问题，提出一套方法，将一个ensemble中的知识信息压缩到一个小模型中，让最终的模型更易于部署，节约算力。
2.  用了什么方法解决？
    
     *  提出一种 \*\*知识蒸馏（Knowledge Distillation）\*\*方法，从大模型所学习到的知识中学习有用信息来训练小模型，在保证性能差不多的情况下进行模型压缩。
        
         *  知识蒸馏：
            
             *  将一个训练好的大模型的知识通过迁移学习手段迁移给小模型。
             *  换成大白话说就是：先训练一个复杂的网络，然后再使用这个网络来辅助训练一个小网络；相当于大网络是老师，小网络是学生。
     *  提出一种新的\*\*集成模型（Ensembles of Models）\*\*方法，包括一个通用模型（Generalist Model）和多个专用模型（Specialist Models），其中，专用模型用来对那些通用模型无法区分的细粒度（Fine-grained）类别的图像进行区分。
3.  效果如何？
    
     *  文中给了一些语音识别等领域的实验，通过知识蒸馏训练得到的小模型的准确率虽不及大模型，但能比较接近了，效果也比较不错。
4.  还存在什么问题？
    
     *  虽然思想很简单，实际使用时还需要较多的trick，很难保证每次训练都能取得很好的效果。

## 2、论文概述 ##

### 2.1、知识蒸馏（Knowledge Distillation） ###

*  对于多分类任务的大模型来说，我们通常都是希望最大化输出概率的log值，来获取准确的预测结果。然而，这么做会有一个副作用，就是会赋予所有的非正确答案一定的概率，即使这些概率值都很小。
 *  这些非正确答案的相对概率，隐含了大模型在训练中倾向于如何泛化的信息。
 *  为此，Hinton等人在论文中提出了**soft target**的概念。
    
     *  \*\*soft target \*\*指的是大模型最后输出的概率预测值，即softmax层的输出。
     *  相对的，就有**hard target**，指的是数据集的标签了。
 *  给softmax加入蒸馏的概念：

![在这里插入图片描述][20181108144309939.png]

*  公式中的 T T T表示“温度”。使用它的目的就是，让输出的softmax更平滑，分布更均匀，同时保证各项之间的大小相对关系不变。
 *   T = 1 T = 1 T=1时，上式就是平常使用的softmax函数。

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2hvbmdiaW5feHU_size_16_color_FFFFFF_t_70]

*  上图摘自[知乎][Link 1]，根据图很方便理解。
 *  当我们不知道数据集的label时，可以直接使用大模型的soft target来训练小模型。训练的损失函数是cross-entropy。
 *  当我们已知数据集的label时，可以将soft target和小模型预测值的cross-entropy与hard target和小模型预测值得cross-entropy进行加权求合，权重参数为 λ \\lambda λ。这种方法得到的效果会更好。
 *  实现流程：

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2hvbmdiaW5feHU_size_16_color_FFFFFF_t_70 1]

### 2.2、distillation在特殊情况下相当于匹配logits（Matching logits is a special case of distillation ） ###

*  再重复一遍，知识蒸馏（Knowledge Distillation）在特殊情况下相当于logits。
 *  下式是cross-entropy到logit的梯度计算公式：
    
     *   v i v\_i vi是大模型（cumbersome model）产生的logits， z i z\_i zi是小模型（distillation model）的logits。

![在这里插入图片描述][20181108144339193.png]

*  如果温度很高，即 T T T很大，那么：

![在这里插入图片描述][2018110814434769.png]

*  假设logits的均值均为0，即： ∑ j z j / T = ∑ j v j / T = 0 \\sum\_j\{z\_j / T\} = \\sum\_j\{v\_j / T\} = 0 ∑jzj/T=∑jvj/T=0。则有：

![在这里插入图片描述][20181108144353520.png]

*  所以，在 T T T很大且logit均值为0时，知识蒸馏就相当于标签匹配： 1 2 ( z i − v i ) 2 \\frac\{1\}\{2\} (z\_i - v\_i)^2 21(zi−vi)2。
 *  当T较小时，蒸馏更加关注负标签，在训练复杂网络的时候，这些负标签是几乎没有约束的，这使得产生的负标签概率是噪声比较大的，所以采用更大的T值（上面的简化方法）是有优势的。而另一方面，这些负标签概率也是包含一定的有用信息的，能够用于帮助简单网络的学习。这两种效应哪种占据主导，是一个实践问题。（*注：我也不是很理解论文中的这段，简单点说，T就是个超参数，需要你自己调。*）

### 2.3、在大数据集上训练专家模型（Training ensembles of specialists on very big datasets ） ###

*  当数据集非常巨大以及模型非常复杂时，训练多个模型所需要的资源是难以想象的，因此作者提出了一种新的集成模型（ensemble）方法：
    
    1.  一个generalist model：使用全部数据训练。
    2.  多个specialist model（专家模型）：对某些容易混淆的类别进行训练。
 *  specialist model的训练集中，一半是由训练集中包含某些特定类别的子集（special subset）组成，剩下一半是从剩余数据集中随机选取的。
 *  这个ensemble的方法中，只有generalist model是使用完整数据集训练的，时间较长，而剩余的所有specialist model由于训练数据相对较少，且相互独立，可以并行训练，因此训练模型的总时间可以节约很多。
 *  specialist model由于只使用特定类别的数据进行训练，因此模型对别的类别的判断能力几乎为0，导致非常容易**过拟合**。
    
     *  解决办法：当 specialist model 通过 hard targets 训练完成后，再使用由 generalist model 生成的 soft targets 进行微调。这样做是因为 soft targets 保留了一些对于其他类别数据的信息，因此模型可以在原来基础上学到更多知识，有效避免了过拟合。
 *  实现流程：

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2hvbmdiaW5feHU_size_16_color_FFFFFF_t_70 2]

## 3、参考资料 ##

1.  [Distilling the Knowledge in a Neural Network 论文笔记][Distilling the Knowledge in a Neural Network]（注：个人觉得这篇博客总结得很不错）
2.  [https://blog.csdn.net/qq\_22749699/article/details/79460817][https_blog.csdn.net_qq_22749699_article_details_79460817]
3.  [如何理解soft target这一做法？][Link 1]

[20181108144309939.png]: /images/20220418/37e8d3cddaff4b1482b6ddf20407466a.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2hvbmdiaW5feHU_size_16_color_FFFFFF_t_70]: /images/20220418/a092c219a8f4466dac7d7885c8871db0.png
[Link 1]: https://www.zhihu.com/question/50519680
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2hvbmdiaW5feHU_size_16_color_FFFFFF_t_70 1]: /images/20220418/738261ecbeca4c9a868ddf5145c8503c.png
[20181108144339193.png]: /images/20220418/09155ea93b1a43c8b4e8c164b3e73097.png
[2018110814434769.png]: /images/20220418/a81d367696dd4f238643a055ecdd1e77.png
[20181108144353520.png]: /images/20220418/0465c9f48036458587fd1ac62fad7650.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2hvbmdiaW5feHU_size_16_color_FFFFFF_t_70 2]: /images/20220418/c34a6cbd1f5c4b1fad08d18efc442146.png
[Distilling the Knowledge in a Neural Network]: https://blog.csdn.net/zjc8888888888/article/details/80641751
[https_blog.csdn.net_qq_22749699_article_details_79460817]: https://blog.csdn.net/qq_22749699/article/details/79460817