蒸馏Knowledg Distilling

本文主要是介绍蒸馏Knowledg Distilling，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

蒸馏基础知识

Distilling the Knowledge in a Neural Network 2015-Hinton

• 什么是知识蒸馏：
  知识蒸馏中的"知识"，其实指的就是对于网络模型中参数权重的一些抽取/迁移的操作。
• 知识蒸馏的作用：
  模型压缩。
• 模型压缩一般有什么其他的方法
  1、模型剪枝（Model Pruning）
  1.1权重剪枝
  是将模型中的一些不重要的权重删除，最简单的判断"不重要"的方式，就是"约等于0"。但是删除后，这个原来可以被GPU加速的矩阵运算，删除一些部分，就不能享受加速了。那如果，将权重变成0怎么样，但是这样又并不能很显著地降低模型的大小。所以这个方法并不是很实用。
  1.2神经元剪枝
  神经元剪枝就是去掉网络中的一些神经元。神经元其实可以随机选取，就是删除参数矩阵的一行元素。剪枝需要记住一点：如果想获得一个减小50%的模型，不可以直接踢掉50%的神经元。需要一点点剔除掉，每次提出掉之后，都需要再训练几个epoch，去fine-tuning剩下的model，不然模型整个容易剪坏掉。
  为什么要训练一个大模型，然后剪枝成小模型，而不是直接训练一个小模型。
  很多paper都通过研究得到了这样一个认知：小模型相对大模型而言，更加不容易训练，比如掉入鞍点出不来，拟合能力过弱达不到要求等等，大模型反而没有很多优化上面的问题，虽然需要大量数据来训练，但是拟合能力很强。用大模型每一步进行剪枝，就等同于用一个很接近GroundTruth的强大网络，为小模型做pretrain，这样小模型效果就好起来了。
  2、网络架构设计（Network Architecture）
  2.1 DNN添加中间层
  
  假设原本有一层N个神经元的layer，下面接了一个M个神经元的layer，对于第二层而言，它就有M * N个参数需要拟合；然而，如果在这两层中添加一个小于M 和 N的全连接层，有K个神经元，加入之后，虽然新增了一层，但是参数却变小了。参数量从M *N降低到了 M *K + N *K 。
  然而模型的拟合能力却并没有降低很多，因为可以从矩阵分解的角度理解。 UV两个参数矩阵可以是原M矩阵的奇异值分解矩阵，重要信息都保留了。
  2.2 深度可分离卷积（depthwise separable conv）
  参考MobileNet。
  3、其他方案
  3.1压缩权重的精度位数
  3.2将权重分桶聚类
• 知识蒸馏到底怎么压缩模型
  首先一个复杂而强大的Teacher Model（简称Net-T），以及另一个简单而弱小的Student Model（简称Net-S），由Net-T完整地学习Ground Truth，然后再由Net-S同时学习Net-T的Logit和Ground Truth，最终Net-S作为应用模型，而Net-T并不进行部署上线
  所以知识蒸馏是一种"伪"压缩，或者广义的压缩方法。
• 为什么要学习logit
  logit是我们模型输出的对于各个类别的概率预测值。
  学习logit的一个非常感性的认知是：除了正例GroundTruth之外，负例也携带了很多有价值的信息。
  比如说：有一个手写字体识别分类任务，0~9的数字中，7和1写起来很像，但是7和5就很不像，GroundTruth只告诉了我们，这个图片是7，但是logit还告诉了我们：这个图片大概率是7，小概率是1，几乎不太像其他数字。这其中携带了的信息量，也就是我们后面希望Net-S蒸馏学到的知识。
• Net-S要学习两部分的知识，那损失函数
  
  
  Net-S需要学习的两部分知识，分别对应了Net-S的输出和Net-T的分布差异Loss-soft和与GroundTruth的分布差异Loss-hard。q是我们Net-S的输出，p是Net-T的输出，c是Ground Truth。q、p的输出叫做softmax-T，softmax-T公式如下。
  
  参数T的属性：
  如果将T取1，这个公式就是softmax，根据logit输出各个类别的概率；
  如果T接近于0，则最大的值会越近1，其它值会接近0，近似于onehot编码
  如果T越大，则输出的结果的分布越平缓，相当于平滑的一个作用，起到保留相似信息的作用
  为什么加T参数：
  如果使用原始的softmax，我们都明白它的属性，它会使得那个最大值的类别，在经过自然指数操作后，在概率上显得"更大"。举例来说，如果0-9的手写字体识别中，7-1-5这三个数值的预测，在softmax转化前，是[7,2,1]，在经过了softmax转化后，基本也就变成和[1,0,0]无差异的一个结果了，这并不是我们想要学习logit。我们希望的效果是学习数字1-5之间的差异，然而这点"知识"被正常的softmax给"吃掉了"。所以需要做点小变更，把本来差异较小的"知识"给"蒸馏"出来，让Net-S能学习到这些知识。
  参考：
  一文搞懂知识蒸馏

Deep mutual learning 2017

此方法不再是学生网络学习教师网络，本篇论文打破这种预先定义好的“强弱关系”，提出了一种深度相互学习策略，即一组学生网络在整个训练过程中相互学习。
此方法为什么work？复杂的教师网络一定比学生网络好吗？
Baseline kd中teacher性能并非student的上界，实验中student性能偶尔优于teacher
由于label refinery的效应，使用soft label会比hard label学到更多的信息。

在这里引入KL散度的概念，KL 散度是一种衡量两个概率分布的匹配程度的指标，两个分布差异越大，KL散度越大。p1和p2的KL散度距离计算公式为：

对于θ1网络来说，此时总的损失函数就由两部分构成：自身监督损失函数，来自θ2网络的匹配损失函数：

同理，θ2可以表示为：

网络的扩展：前面用两个网络θ1和θ2说明了DML的结构、算法。其实DML不仅在两个网络中有效，还可以扩展到多个网络中去。
参考：
让学生网络相互学习，为什么深度相互学习优于传统蒸馏模型？| 论文精读

Improved Knowledge Distillation via Teacher Assistant 2019

在较大的teacher和很小的student之间加入容量介于二者之间的Teacher Assistant，teacher先蒸馏TA，TA再蒸馏student。
为什么work：teacher和student的hypothesisspace差别太大（模型容量、结构差别大），导致student无法直接学习teacher，需要一个TA在二者之间过渡。

FitNets：Hints for thin deep nets 2015-ICLR

本篇论文侧重feature蒸馏。为什么要蒸馏feature呢？logits相当于“答案”，feature相当于“思路”。student学习“思路”比学习“答案”容易，即feature学习使得模型一层一层接受更难的问题，而不是直接接受最难的问题。FitNets简单来说就是剖开teacher和student的某一层，而让二者这一层的输出间的mse最小。所有之前的工作都是专注于压缩teacher网络到更浅更宽的网络，没有充分利用深度。该论文通过利用深度解决网络压缩的问题，提出新方法训练thin and deep网络FitNets。注意：由于这一层feature map的shape不一定一样，student在蒸馏过程中这一层后会接一个wr来调整，蒸馏结束拆掉这一层。

两个loss function:
（1）
其中：
uh代表teacher网络中的第一层到hint层的函数映射，Whint表示其中的参数；
vg代表student网络中的第一层到hidden层的函数映射，Wguided表示其中的参数；
r代表hidden层的一个额外的映射关系，Wr是其中的参数，这是为了使得hidden层与hint层的神经元大小一致。
Wt=Whint，Ws=Wguided，使用一个映射函数Wr来使得Wguided的维度匹配Whint，得到Ws’。
(2) 另外一个是改造的softmax loss（具体见Hinton的论文）:


FitNets的缺点：

• Teacher和student网络的hypothesis space差别太大，student无法学习所有信息。
• Teacher中存在冗余信息，student无法鉴别哪些信息重要。

蒸馏的分类

logist蒸馏
feature蒸馏
位置蒸馏
参考：https://zhuanlan.zhihu.com/p/92269636?from_voters_page=true

这篇关于蒸馏Knowledg Distilling的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---