0


一文搞懂【知识蒸馏】【Knowledge Distillation】算法原理

知识蒸馏算法原理精讲

文章目录

1. 什么是知识蒸馏?

在这里插入图片描述

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?

  1. 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
  2. 直接训练轻量化网络:SqueezeNet、MobileNetv1v2v3、MnasNet、SHhffleNet、Xception、EfficientNet、EfficieentDet
  3. 加速卷积运算:im2col+GEMM、Wiongrad、低秩分解
  4. 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:

  1. 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。
  2. 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。
  3. 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?

在这里插入图片描述

以手写数字为例,教师网络对数字

    1
   
  
  
   1
  
 
1的预测标签为

 
  
   
    "
   
   
    1
   
   
    "
   
   
    :
   
   
    0.7
   
   
    ,
   
   
    "
   
   
    7
   
   
    "
   
   
    :
   
   
    0.2
   
   
    ,
   
   
    "
   
   
    9
   
   
    "
   
   
    :
   
   
    0.1
   
  
  
   "1":0.7,"7":0.2 ,"9":0.1
  
 
"1":0.7,"7":0.2,"9":0.1,这里
1

的预测概率最大为

    0.7
   
  
  
   0.7
  
 
0.7 是正确的分类,但是标签

 
  
   
    "
   
   
    7
   
   
    "
   
   
    "
   
   
    9
   
   
    "
   
  
  
   "7""9"
  
 
"7""9"的预测概率也能提供一些信息,就是说 

 
  
   
    "
   
   
    7
   
   
    "
   
   
    ,
   
   
    "
   
   
    9
   
   
    "
   
  
  
   "7","9"
  
 
"7","9"和预测标签

 
  
   
    1
   
  
  
   1
  
 
1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

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

  1. 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
  2. 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

在这里插入图片描述

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

    0
   
   
    −
   
   
    1
   
  
  
   0-1
  
 
0−1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

    1
   
  
  
   1
  
 
1,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

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

在这里插入图片描述

左边是正常的

softmax

计算,右边引入一个超参

T

来计算

softmax

,即把

     y
    
    
     i
    
   
  
  
   y_i
  
 
yi​ 都除以
T

再进行

softmax

计算。结果会有什么不同呢?
假设左边的

    y
   
   
    1
   
   
    ,
   
   
    y
   
   
    2
   
   
    ,
   
   
    y
   
   
    3
   
  
  
   y1,y2,y3
  
 
y1,y2,y3的分类结果,分别是

 
  
   
    100
   
   
    ,
   
   
    10
   
   
    ,
   
   
    1
   
  
  
   100,10,1
  
 
100,10,1,没有进行升温操作,带入 softmax 之后

 
  
   
    
     y
    
    
     1
    
    
     ‘
    
   
  
  
   y_1^‘
  
 
y1‘​接近1, 

 
  
   
    
     y
    
    
     1
    
    
     ‘
    
   
  
  
   y_1^‘
  
 
y1‘​ 和 

 
  
   
    
     y
    
    
     2
    
    
     ‘
    
   
  
  
   y_2^‘
  
 
y2‘​

 
  
   
    
     y
    
    
     3
    
    
     ‘
    
   
  
  
   y_3^‘
  
 
y3‘​都接近于0。经过升温操作之后,

 
  
   
    
     y
    
    
     1
    
    
     ‘
    
   
   
    =
   
   
    0.56
   
  
  
   y_1^‘=0.56
  
 
y1‘​=0.56, 

 
  
   
    
     y
    
    
     2
    
    
     ‘
    
   
   
    =
   
   
    0.23
   
  
  
   y_2^‘ =0.23
  
 
y2‘​=0.23,

 
  
   
    
     y
    
    
     3
    
    
     ‘
    
   
   
    =
   
   
    0.21
   
  
  
   y_3^‘=0.21
  
 
y3‘​=0.21。此时

 
  
   
    
     y
    
    
     1
    
    
     ‘
    
   
  
  
   y_1^‘
  
 
y1‘​,

 
  
   
    
     y
    
    
     2
    
    
     ‘
    
   
  
  
   y_2^‘
  
 
y2‘​,

 
  
   
    
     y
    
    
     3
    
    
     ‘
    
   
  
  
   y_3^‘
  
 
y3‘​ 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-targetT>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

在这里插入图片描述

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 labelsoft 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 lossstudent 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:

       L
      
      
       =
      
      
       (
      
      
       1
      
      
       −
      
      
       α
      
      
       )
      
      
       ⋅
      
      
       
        L
       
       
        
         M
        
        
         S
        
        
         E
        
       
       
        
         K
        
        
         D
        
       
      
      
       +
      
      
       α
      
      
       ⋅
      
      
       
        L
       
       
        
         C
        
        
         E
        
       
       
        
         K
        
        
         D
        
       
      
     
     
       \mathcal{L}=(1-\alpha) \cdot \mathcal{L}_{\mathrm{MSE}}^{\mathrm{KD}}+\alpha \cdot \mathcal{L}_{\mathrm{CE}}^{\mathrm{KD}} 
     
    

    L=(1−α)⋅LMSEKD​+α⋅LCEKD​

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

[3] 3分钟了解知识蒸馏的认知误区_哔哩哔哩_bilibili

[4] 知识蒸馏(Knowledge Distillation)_Law-Yao的博客-CSDN博客_知识蒸馏


本文转载自: https://blog.csdn.net/weixin_43694096/article/details/127505946
版权归原作者 迪菲赫尔曼 所有, 如有侵权,请联系我们删除。

“一文搞懂【知识蒸馏】【Knowledge Distillation】算法原理”的评论:

还没有评论