论文笔记：Distilling the Knowledge

版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/hongbin_xu/article/details/83861035

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：

• 公式中的 $T$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。
• $T = 1$时，上式就是平常使用的softmax函数。

• 上图摘自知乎，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 $\lambda$。这种方法得到的效果会更好。
• 实现流程：

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：
  • $v_i$是大模型（cumbersome model）产生的logits， $z_i$是小模型（distillation model）的logits。

• 如果温度很高，即 $T$很大，那么：

• 假设logits的均值均为0，即： $\sum_j{z_j / T} = \sum_j{v_j / T} = 0$。则有：

• 所以，在 $T$很大且logit均值为0时，知识蒸馏就相当于标签匹配： $\frac{1}{2} (z_i - v_i)^2$。
• 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：

3、参考资料

1. Distilling the Knowledge in a Neural Network 论文笔记（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
3. 如何理解soft target这一做法？