知识蒸馏算法原理精讲
文章目录
1. 什么是知识蒸馏？
知识蒸馏就是把一个大的教师模型的知识萃取出来，把他浓缩到一个小的学生模型，可以理解为一个大的教师神经网络把他的知识教给小的学生网络，这里有一个知识的迁移过程，从教师网络迁移到了学生网络身上，教师网络一般是比较臃肿，所以教师网络把知识教给学生网络，学生网络是一个比较小的网络，这样就可以用学生网络去做一些轻量化网络做的事情。
2. 轻量化网络的方式有哪些？
- 压缩已训练好的模型：知识蒸馏、权值量化、权重剪枝、通道剪枝、注意力迁移
- 直接训练轻量化网络：SqueezeNet、MobileNetv1v2v3、MnasNet、SHhffleNet、Xception、EfficientNet、EfficieentDet
- 加速卷积运算：im2col+GEMM、Wiongrad、低秩分解
- 硬件部署：TensorRT、Jetson、TensorFlow-Slim、openvino、FPGA集成电路
3. 为什么要进行知识蒸馏？
深度学习在计算机视觉、语音识别、自然语言处理等内的众多领域中均取得了令人难以置信的性能。但是，大多数模型在计算上过于昂贵，无法在移动端或嵌入式设备上运行。因此需要对模型进行压缩，这样小的模型就适用于部署在终端设备上了。
3.1 提升模型精度
如果对目前的网络模型A的精度不是很满意，那么可以先训练一个更高精度的teacher模型B（通常参数量更多，时延更大），然后用这个训练好的teacher模型B对student模型A进行知识蒸馏，得到一个更高精度的A模型。
3.2 降低模型时延，压缩网络参数
如果对目前的网络模型A的时延不满意，可以先找到一个时延更低，参数量更小的模型B，通常来讲，这种模型精度也会比较低，然后通过训练一个更高精度的teacher模型C来对这个参数量小的模型B进行知识蒸馏，使得该模型B的精度接近最原始的模型A，从而达到降低时延的目的。
3.3 标签之间的域迁移
假如使用狗和猫的数据集训练了一个teacher模型A，使用香蕉和苹果训练了一个teacher模型B，那么就可以用这两个模型同时蒸馏出一个可以识别狗、猫、香蕉以及苹果的模型，将两个不同域的数据集进行集成和迁移。
4. 知识蒸馏的理论依据？
知识蒸馏使用的是Teacher—Student模型，其中teacher是“知识”的输出者，student是“知识”的接受者。知识蒸馏的过程分为2个阶段:
- 原始模型训练: 训练”Teacher模型”, 简称为Net-T，它的特点是模型相对复杂，也可以由多个分别训练的模型集成而成。我们对”Teacher模型”不作任何关于模型架构、参数量、是否集成方面的限制，唯一的要求就是，对于输入X, 其都能输出Y，其中Y经过softmax的映射，输出值对应相应类别的概率值。
- 精简模型训练: 训练”Student模型”, 简称为Net-S，它是参数量较小、模型结构相对简单的单模型。同样的，对于输入X，其都能输出Y，Y经过softmax映射后同样能输出对应相应类别的概率值。
- Teacher学习能力强，可以将它学到的知识迁移给学习能力相对弱的Student模型，以此来增强Student模型的泛化能力。复杂笨重但是效果好的Teacher模型不上线，就单纯是个导师角色，真正部署上线进行预测任务的是灵活轻巧的Student小模型。
5. 知识蒸馏分类
知识蒸馏是对模型的能力进行迁移，根据迁移的方法不同可以简单分为基于目标蒸馏（也称为Soft-target蒸馏或Logits方法蒸馏）和基于特征蒸馏的算法两个大的方向。
5.1目标蒸馏-Logits方法
分类问题的共同点是模型最后会有一个softmax层，其输出值对应了相应类别的概率值。在知识蒸馏时，由于我们已经有了一个泛化能力较强的Teacher模型，我们在利用Teacher模型来蒸馏训练Student模型时，可以直接让Student模型去学习Teacher模型的泛化能力。一个很直白且高效的迁移泛化能力的方法就是：使用softmax层输出的类别的概率来作为“Soft-target” 。
5.1.1 Hard-target 和 Soft-target
注：soft target“软标签”指的是大网络在每一层卷积后输出的特征映射。
5.1.1.1 Hard-target和 Soft-target的区别
传统training过程(hard targets): 对ground truth求极大似然
（原始数据集标注的 one-shot 标签，除了正标签为 1，其他负标签都是 0。）
KD的training过程(soft targets): 用large model的class probabilities作为soft targets
（Teacher模型softmax层输出的类别概率，每个类别都分配了概率，正标签的概率最高，并且标签都以小数分布，0.1，0.35.，0.6。）
5.1.1.2 KD的训练过程为什么更有效?
以手写数字为例，教师网络对数字的预测标签为
，这里
1的预测概率最大为 是正确的分类，但是标签
的预测概率也能提供一些信息，就是说
和预测标签
还是有某种预测的相似度的。如果把这个信息也教会学生网络，学生网络就可以了解到这种类别之间的相似度，可以看作为学习到了教师网络中隐藏的知识，对于学生网络的分类是有帮助的。
综上：
（1）在使用Soft-target训练时，Student模型可以很快学习到Teacher模型的推理过程。
（2）传统的Hard-target的训练方式，所有的负标签都会被平等对待。Soft-target给Student模型带来的信息量要大于Hard-target，并且Soft-target分布的熵相对高时，其Soft-target蕴含的知识就更丰富。
（3）使用Soft-target训练时，梯度的方差会更小，训练时可以使用更大的学习率，所需要的样本也更少。
这也解释了为什么通过蒸馏的方法训练出的Student模型相比使用完全相同的模型结构和训练数据只使用Hard-target的训练方法得到的模型，拥有更好的泛化能力。
5.2 特征蒸馏方法
-
它不像Logits方法那样，
Student只学习Teacher的Logits这种结果知识，而是学习Teacher网络结构中的中间层特征。它强迫Student某些中间层的网络响应，要去逼近Teacher对应的中间层的网络响应。这种情况下，Teacher中间特征层的响应，就是传递给Student的知识，本质是Teacher将特征级知识迁移给Student。 -
既宽又深的模型通常需要大量的乘法运算，从而导致对内存和计算的高需求。为了解决这类问题，我们需要通过模型压缩（也称为知识蒸馏）将知识从复杂的模型转移到参数较少的简单模型。到目前为止，知识蒸馏技术已经考虑了
Student网络与Teacher网络有相同或更小的参数。这里有一个洞察点是，深度是特征学习的基本层面，到目前为止尚未考虑到Student网络的深度。一个具有比Teacher网络更多的层但每层具有较少神经元数量的Student网络称为“thin deep network”。因此，该篇论文主要针对Hinton提出的知识蒸馏法进行扩展，允许
Student网络可以比Teacher网络更深更窄，使用teacher网络的输出和中间层的特征作为提示，改进训练过程和student网络的性能。
6. 知识蒸馏的过程
如上图所示，教师网络（左侧）的预测输出除以温度参数（Temperature）之后、再做Softmax计算，可以获得软化的概率分布（软目标或软标签），数值介于之间，取值分布较为缓和。
Temperature数值越大，分布越缓和；而Temperature数值减小，容易放大错误分类的概率，引入不必要的噪声。针对较困难的分类或检测任务，Temperature通常取，确保教师网络中正确预测的贡献。硬目标则是样本的真实标注，可以用
One-hot矢量表示。Total loss设计为软目标与硬目标所对应的交叉熵的加权平均（表示为KD loss与CE loss），其中软目标交叉熵的加权系数越大，表明迁移诱导越依赖教师网络的贡献，这对训练初期阶段是很有必要的，有助于让学生网络更轻松的鉴别简单样本，但训练后期需要适当减小软目标的比重，让真实标注帮助鉴别困难样本。另外，教师网络的预测精度通常要优于学生网络，而模型容量则无具体限制，且教师网络推理精度越高，越有利于学生网络的学习。
教师网络与学生网络也可以联合训练，此时教师网络的暗知识及学习方式都会影响学生网络的学习，具体如下（式中三项分别为教师网络Softmax输出的交叉熵loss、学生网络Softmax输出的交叉熵loss、以及教师网络数值输出与学生网络Softmax输出的交叉熵loss）
6.1 升温(T)操作
蒸馏的时候一般都需要进行升温操作，以分类网络为例，需要改进softmax，除以T
左边是正常的softmax计算，右边引入一个超参T来计算softmax ，即把 都除以
T再进行softmax计算。结果会有什么不同呢？
假设左边的的分类结果，分别是
，没有进行升温操作，带入 softmax 之后
接近1,
和
都接近于0。经过升温操作之后，
，
，
。此时
，
，
之间的差异就没有那么大了，也就是说能够把类别之间隐藏的关系给暴露出来，所以做蒸馏操作一般都需要除以
T 来进行升温操作。
6.2 温度(T)特点
-
原始的softmax函数是
T=1时的特例；T<1时，概率分布比原始更“陡峭”，也就是说，当T>0时，Softmax的输出值会接近于Hard-target；T>1时，概率分布比原始更“平缓”。 -
随着T的增加，
Softmax的输出分布越来越平缓，信息熵会越来越大。温度越高，softmax上各个值的分布就越平均，思考极端情况，当 ，此时softmax的值是平均分布的。 -
不管温度T怎么取值，
Soft-target都有忽略相对较小的（Teacher模型在温度为T时softmax输出在第i类上的值）携带的信息的倾向。 -
温度的高低改变的是
Student模型训练过程中对负标签的关注程度。当温度较低时，对负标签的关注，尤其是那些显著低于平均值的负标签的关注较少；而温度较高时，负标签相关的值会相对增大，Student模型会相对更多地关注到负标签。 -
实际上，负标签中包含一定的信息，尤其是那些负标签概率值显著高于平均值的负标签。但由于
Teacher模型的训练过程决定了负标签部分概率值都比较小，并且负标签的值越低，其信息就越不可靠。因此温度的选取需要进行实际实验的比较，本质上就是在下面两种情况之中取舍:-
当想从负标签中学到一些信息量的时候，温度应调高一些；
-
当想减少负标签的干扰的时候，温度 应调低一些；
-
总的来说，温度的选择和Student模型的大小有关，Student模型参数量比较小的时候，相对比较低的温度就可以了。因为参数量小的模型不能学到所有Teacher模型的知识，所以可以适当忽略掉。
7. 蒸馏损失计算过程
在分类网络中知识蒸馏的 Loss 计算
- 上部分教师网络，它进行预测的时候，
softmax要进行升温，升温后的预测结果我们称为软标签(soft label) - 学生网络一个分支
softmax的时候也进行升温，在预测的时候得到软预测（soft predictions)，然后对soft label和soft predictions计算损失函数，称为distillation loss，让学生网络的预测结果接近教师网络； - 学生网络的另一个分支，在
softmax的时候不进行升温T =1，此时预测的结果叫做hard prediction。然后和hard label也就是ground truth直接计算损失，称为student loss。 - 总的损失结合了
distilation loss和student loss，并通过系数a加权，来平衡这两种Loss，比如与教师网络通过MSE损失，学生网络与ground truth通过cross entropy损失，Loss的公式可表示如下:
8. 知识蒸馏在NLP/CV中的应用
8.1 目标蒸馏-Logits方法应用
- 《Distilling the Knowledge in a Neural Network 》，NIPS，2014。
- 《Deep Mutual Learning》，CVPR，2018。
- 《Born Again Neural Networks》，CVPR，2018。
- 《Distilling Task-Specific Knowledge from BERT into Simple Neural Networks》，2019。
8.2 特征蒸馏方法应用
- 《FitNets: Hints for Thin Deep Nets》，ICLR，2015。
- 《Paying More Attention to Attention: Improving the Performance of Convolutional Neural Networks via Attention Transfer》， ICLR，2017。
- 《A Gift from Knowledge Distillation: Fast Optimization, Network Minimization and Transfer Learning》，CVPR，2017。
- 《Learning Efficient Object Detection Models》，NIPS，2017。
9. 知识蒸馏的误区
不要认为学生模型通过蒸馏就可以达到教师模型的水平的，知识蒸馏的学生网络是很难达到和教师模型性能相同的水准的。
参考文献
[1] 【精读AI论文】知识蒸馏_哔哩哔哩_bilibili
[2] 介绍知识蒸馏_距离百年老店还有92年的博客-CSDN博客
文章出处登录后可见！
