最好的化学论文范例（收藏一文带你总览知识蒸馏）

「免费学习 60 节公开课：投票页面，点击讲师头像」

作者：凉爽的安迪

来源 | 深度传送门（ID：deep_deliver）

【导读】这是一篇关于【知识蒸馏】简述的文章，目的是想对自己对于知识蒸馏学习的内容和问题进行总结。笔者挑选了部分经典的paper详读，希望对于对KD有需求的同学提供一个概览和帮助。

引子

昆虫记里写道：”蝴蝶以毛毛虫的形式吃树叶积攒能量逐渐成长，最后变换成蝴蝶这一终极形态来完成繁殖”。虽然蝴蝶和毛毛虫两者本质是同一种生物，但是面对不同环境和任务的时候，形态不同——毛毛虫形态下可以更方便地吃树叶，保护自己，积蓄能量；而蝴蝶能飞，可以扩大活动范围，提高繁殖几率。

图1，毛毛虫变成蝴蝶

在监督学习里也是这样的，在训练模型时，我们通常采用复杂模型或者Ensemble方式来获取最好的结果，导致参数冗余严重，像BERT里有3亿参数。因此在前向预测时，需要对模型进行复杂的计算（或多个模型加权），导致工程性能较差。

Hinton在NIPS 2014workshop中提出知识蒸馏（Knowledge Distillation，下面简称KD）概念：

把复杂模型或者多个模型Ensemble（Teacher）学到的知识 迁移到另一个轻量级模型（ Student ）上叫知识蒸馏。使模型变轻量的同时（方便部署），尽量不损失性能。

从定义上来看KD属于模型压缩、加速的一类玩法。（后面的研究也会将KD应用于模型表现的提升）。在这里，知识应该宽泛和抽象地理解，模型参数，网络层的输出（网络提取的特征）、网络输出等都可以理解为知识。

图2，Knowledge in KD

Overview & Timeline

按照待迁移的知识类型，KD主要分为三个大类：

• Output Transfer——将网络的输出（Soft-target，后面会介绍其含义）作为知识；

• Feature Transfer——将网络学习的特征作为知识；

• Relation Transfer——将网络或者样本的关系作为知识；

图3，知识蒸馏分类——从迁移知识类别的角度

从时间线上来看，KD的发展脉络大致如下（部分论文）：

图4，Timeline of KD

在第二part中，对于Paper内容的概述也将大概按照KD的类别分别展开。

Papers

• 2-1 Output Transfer

Output Transfer——将网络的输出（Soft-target，后面会介绍其含义）作为知识。在该部分，将主要介绍以下几篇paper。

• 2-1-1 《Distilling the Knowledge in a Neural Network 》

【Meta info】Hinton，NIPS 2014 workshop，Cites：2400

这篇paper是知识蒸馏的开山之作，由Hinton老爷子在NIPS 2014 workshop上提出，文章的思路非常简单、优雅。首先，我们对一些术语进行定义：

• Teacher：原始较大的模型或模型Ensemble，用于获取知识

• Student：新的较小的模型，接收teacher的知识，训练后用于前向预测

• Hard target：样本原本的标签，One-hot

• Soft target ：Teacher输出的预测结果（一般是softmax之后的概率）

接下来，进入正题，介绍蒸馏的过程：

图6，知识蒸馏过程图示

图7，经典知识蒸馏过程

从模型效果上来看：

• 【Mnist】

图8，Mnist蒸馏结果对比

Teacher网络模型复杂，参数多，表征能力强，使用Hard Target作为训练目标，并且从直觉上来看，效果应该是好的（参数多），最终在测试集上错了67个。

Student网络模型简单，参数少，表征能力弱，在直接使用Hard target 作为训练目标时（不使用知识蒸馏），在测试集上错了146；使用Hard target Soft target作为训练目标时，错了74个。

可以看出，加入了Soft target后，小网络从大网络中继承了大网络中学习的“知识”，但是这个实验中，最好的结果没有超过baseline。

• 【一个语音数据集】

Teacher（baseline）网络准确率58.9%，10个Teacher集成的准确率为61.1%，而神奇的是，Student网络（简单模型蒸馏Ensemble网络）的效果居然超过了Teacher网络！

我们考虑下起主要效果的因子：

以Mnist数据集为例，对于数字9而言，数字9与数字4和7长得比较像。网络在进行训练时，我们如果能够将数字之间的相似关系传递给模型，则网络可能学习到更好的结果。

图9，Mnist数据集

而对于Hard target和Soft target

图10，Hard target和Soft target对比

我们可以看出，软目标的优势在于：

• 弥补了简单分类中监督信号不足（信息熵比较少）的问题，增加了信息量；

• 提供了训练数据中类别之间的关系（数据增强）；

• 可能增强了模型泛化能力。

What's more，关于软目标相关的思考，还有Label smoothing Regularization(LSR)，即“标签平滑归一化”。LSR也是对“硬目标”的优化：

图11，LSR算法

具体推导可以参考

Müller R, Kornblith S, Hinton G. When Does Label Smoothing Help?[J]. arXiv preprint arXiv:1906.02629, 2019.

在经典的蒸馏网络中，参数T是一个超参数——温度。T表示软目标要soft的程度：

• T = 1，公式同softmax输出后的结果；

• T越接近0，公式越同One-hot编码，最大值趋向于1，最小值趋向于0；

• 提升T，则保留更多类别关系信息。

• 2-1-2 《Distilling Task-Specific Knowledge from BERT into Simple Neural Networks》

【Meta info】：2019， Cites：12

本文是对Bert网络进行蒸馏，其思想与经典蒸馏网络并无区别。

【背景】：

• 18年底，Bert在很多NLP任务上取得了STOA，但线上运算时，算力是“瓶颈”, 使用单核B70 CPU，Seq length=128时，QPS只有几十

• KD在NLP应用较少

• 本文希望用Bi-LSTM网络蒸馏Bert网络

【网络Loss】：同经典KD，Loss分为两部分：

【网络结构】：

图12，Bi-LSTM蒸馏Bert

【效果】：可以看出蒸馏的结果弱于Bert但是比原始的双向LSTM效果好很多。

• 2-1-3 《Deep Mutual Learning》

【Meta info】：CVPR 2018，Cites：409

【背景】：

• 在经典的蒸馏过程中，teacher网络固定，只用来输出soft-target，难以学习student网络中反馈的信息，进而对训练过程进行优化

• 本文提出深度互学习，多个学生网络同时训练，通过真值和多个网络的输出结果“相互借鉴，共同进步”

• 本文不已模型压缩为主要目的，更多为了提升模型表现

【网络结构】（以两个网络为例）：

图13，DML网络结构

【网络Loss】：

思路比较简单，Lc1是经典的交叉熵，Dkl是KL散度。

【实施】：

图14，DML训练过程

当存在多个子网络时：

【效果】：

可以看出，在DML思路下，网络效果比单个网络有了明显的提升；效果比经典的蒸馏网络也提升较大。

【有效因子】：

• 类别概率中包含了更多信息（同经典KD）

• 深度互学习的方法可能找到了更平缓的极值点（意味着泛化能力更强，小的波动不会对预测产生较大的影响），如下图所示，DML网络的Loss和单独训练网络Loss接近，但是，当对参数添加噪声时，DML的Loss小于单独训练的Loss（当网络输出对于输入噪声的敏感程度比较差的时候，可以认为网络输出处于一个比较平缓的局部最优点）。

图15，DML与单独网络Loss

• 【2-1-4】《Born Again Neural Networks》再生网络

【Meta info】：CVPR 2018，Cites：409

【思路】：

• 再生网络也不已模型压缩为主要目的，更多为了提升模型表现

• 再生网络基于蒸馏的理念，提供了一种Esemble的思路

• 教师、学生网络结构相同，第n个学生目标训练第n 1个学生，“口口相传”

• 最后进行集成

【网络结构】：

图16，再生网络

【效果】：

• 2-2 Feature Transfer

Feature Transfer——将网络学习的特征作为知识。在深度学习中，一般将隐藏层的输出看作是网络学习的特征，下面两篇paper中：第一篇paper以MLP为基础框架，则网络提取的特征为每个隐藏层的输出向量；第二篇paper以CNN为基础框架，则网络提出的特征为每层的Feature Map。

图1，特征迁移

• 2-2-1 《FitNets: Hints for Thin Deep Nets》

【Meta info】：ICLR 2015，Cites: 780

【背景】：

• Deep可能是DNN主要的拟合能力的重要来源，之前的KD工作都是用较浅的网络作为student net，拟合能力可能较弱

• 这篇文章把“宽”且“深”的网络蒸馏成“瘦”且“更深”的网络

【思路】：

• 学生网络不仅仅拟合教师网络的soft-target，而且拟合隐藏层的输出（教师抽取的特征）；

• 第一阶段让学生网络去学习教师网络的隐藏层输出（特征迁移）；

• 第二阶段使用soft targets来训练学生网络（输出迁移）。

【网络结构】:

图2，FitNet网络结构

【实施】：

• 2-2-2 《Paying More Attention to Attention: Improving the Performance of Convolutional Neural Networks via Attention Transfer》

【Meta info】：ICLR 2017， Cites: 222

【思路】：

• 思路一：对卷积网络隐藏层输出的特征图——feature map（特征 & 知识）进行迁移（Attention transfer），让学生网络的feature map与教师网络的feature map尽可能相似

• 思路二：Loss对输入X求导，得到梯度更大的像素点，表明”更重要”，需要pay more attention

• 该特征迁移的方法也可以与soft-target的方式结合

【网络结构】：

图3，《Paying More Attention to Attention》网络结构

【思路1——Actication-based attention transfer】：

• 对卷积网络隐藏层输出的特征图——feature map（特征 & 知识）进行迁移（Attention transfer），让学生网络的feature map与教师网络的feature map尽可能相似；

• 该特征迁移的方法也可以与soft-target的方式结合。

【实施】：

• 首先将Teacher网络和Student网络都分成n个part（两者分part的数量相同），每个part内包含几个卷积核池化层都是可以的，不过为了提升预估的效率，一般学生网络每个part的网络结构比教师网络简单。同时，保证学生网络和教师网络每个part的最后一个卷积层得到的feature map的size大小相同，都是W * H（数量可以不同）；

• 接下来，为了计算loss，每个part的最后一个卷积层C个W * H的特征图变换为1个W* H的的二维张量，原文提供了以下三种方式（比较简单可以回原paper详读）：

• 特征图张量各通道绝对值相加；

• 特征图张量各通道绝对值p次幂相加；

• 取特征图张量各通道绝对值p次幂最大值

• 然后，计算教师网络和学生网络的特征图差异，并使其变小。

【网络Loss】：

【思路2——Gradient-based attention transfer】：

Loss对输入X求导， 判断损失函数对于输入X的敏感性，pay more attnetion to值得注意的像素（梯度大的像素）

【网络Loss】：

• 2-3 Relation Transfer

Relation Transfer——将网络或者样本的关系作为知识。该部分将主要介绍以下一篇paper：

图5，关系迁移

• 2-3-1 《A Gift from Knowledge Distillation: Fast Optimization, Network Minimization and Transfer Learning》

【Meta info】：CVPR 2017，Cites: 144

【思路】：学生网络学习教师网络层与层之间的关系（特征关系），“授之以渔”。

【网络结构】：

图6，FSP matrix网络结构

【实施】：

• 首先将Teacher网络和Student网络都分成n个part（两者分part的数量相同），每个part内包含几个卷积核池化层都是可以的，不过为了提升预估的效率，一般学生网络每个part的网络结构比教师网络简单。同时，保证学生网络和教师网络每个part的最后一个卷积层feature map的数量与下一个part第一个卷积层feature map的数量的数量相等；

• 定义”FSP matrix“用于衡量两层特征之间的关系，用前一层的特征图与下一层的特征图element-wise相乘并求和：

• 该步骤计算完毕后，可以得到一个m * n的 FSP matrix；

• 网络被分为了n个part，可以获取n-1个FSP matrix（上图中，分为了3个part，可以获取两个FSP matrix）；

• 训练分为两个阶段：

• 第一个阶段，用FSP预训练学生网络的参数；

• 第二个阶段，用正常的分类loss优化学生网络。

【效果】：

在多个数据集上学生网络在参数减少很多的情况下，效果接近教师网络，且优于FitNets

• 2-4 Others

该部分将主要介绍以下的paper：

图8，其他paper

• 2-4-1 《KDGAN: Knowledge Distillation with Generative Adversarial Networks》

【Meta info】：NIPS 2018, Cites: 15

【背景】：

• 原始蒸馏网络中，学生网络难以学习到教师网络的所有“知识”，效果可能略差于教师网络

• 用对抗生成的方式模拟蒸馏的过程：生成器（学生网络，参数少、简单）负责基于输入X输出X的标签Y，判别器（教师网络，参数多、复杂）判断标签来自于学生网络还是真实的数据

• 前向计算时，只使用生成器，实现蒸馏的目的

【GAN】回顾：

• GAN常用于图像生成：

• 经典GAN中，生成器G基于随机噪声生成图像；判别器D是一个分类器，判断图像是真实图像还是生成的。

• 最大-最小迭代训练：

• 固定G，用G的生成结果和真实数据优化D，使得V（D，G）尽可能大；

• 固定D，基于D的结果优化G，使得V（D，G）尽可能小；

KDGAN里作者提出了两种网络：NaGAN，KDGAN

思路1：【NaGAN】

【网络结构】（红框部分）：

图9，NaGAN网络结构

【实施】：

【优劣】：

• KD需要样本少，但是通常不能保证学生网络的效果达到教师网络的程度；

• NaGAN需要样本大于KD，但是通常可以使得学生网络效果和教师网络差不多。

思路2：【KDGAN】：

【网络结构】：

图10，KDGAN网络结构

【实施】：

【训练过程】：

• 训练D：固定T和S，最大化似然函数。D更新时，希望将真实样本的标签判别为1；将C和T生成的标签判别为0，因此最大化D更新的损失函数；

• 训练T：固定D和S，最小化损失函数。损失函数分为两部分，第一部分为判别器D对于T生成的标签真实性的判别，T希望D判别的概率越小越好；第二部分为蒸馏Loss，T网络去拟合S网络输出的软目标；

• 训练S：固定D和T，最小化损失函数。损失函数分为两部分，第一部分为判别器D对于S生成的标签真实性的判别，S希望D判别的概率越小越好；第二部分为蒸馏Loss，S网络去拟合T网络输出的软目标。

迭代对抗训练。

• 2-4-2 《Ranking Distillation: Learning Compact Ranking Models With High Performance for Recommender System》

【Meta info】：KDD 2018，Cites: 12

【背景】：

• 检索系统或者推荐系统中模型庞大，可以用蒸馏网络的方式提升工程效率；

• 目标是给一个query，预测检索系统的Top K相关的doc。

【思路】：

• 第一阶段训练教师网络，对于每个query预测Top K相关doc，补充为学生网络的Ground truth信息；

• 第二阶段教师网络的Top K作为正例加到学生网络中一起进行训练，使得学生网络和教师网络的预测结果更像。

【Loss】：

w_r为每条教师网络中预测的样本的权重，有两种方式生成：

• 对位置进行加权（即，Top 1到K的顺序）；

• 对排序相关性进行加权（考虑教师网络预测的的Item与query的相关性程度）。

【网络结构】：

图11，Ranking Distillation网络结构

Discussion

简单回顾一下，把复杂模型或者多个模型Ensemble（Teacher）学到的知识→ 迁移到另一个轻量级模型（ Student ）上叫知识蒸馏；。知识蒸馏属于模型压缩、加速的一类，要求在模型变轻量的同时（方便部署），尽量不损失性能；后来也应用于模型表现的提升。

按照迁移知识的类型大致可以分为三大类：

• Output Transfer——将网络的输出——Soft-target作为知识；

• Feature Transfer——将网络学习的特征作为知识；

• Relation Transfer——将网络或者样本的关系作为知识。

知识蒸馏提升了模型的工程表现，相对于其他模型压缩方式，如模型Int8而言，KD给了我们更多的想象空间，毕竟如DML等训练方式，可能在一定程度上提升模型的效果。

最后是一些Take Home Messages~

以上就是《知识蒸馏简述》的全部内容如果大家觉得有帮助，可以帮忙点个赞或者收藏一下，这将是我继续分享的动力~

参考文献

1. Hinton G, Vinyals O, Dean J. Distilling the Knowledge in a Neural Network[J]. Computer Science, 2015, 14(7):38-39.

2. Tang R, Lu Y, Liu L, et al. Distilling Task-Specific Knowledge from BERT into Simple Neural Networks[J]. arXiv preprint arXiv:1903.12136, 2019.

3. Müller R, Kornblith S, Hinton G. When Does Label Smoothing Help?[J]. arXiv preprint

4. Zhang Y, Xiang T, Hospedales T M, et al. Deep mutual learning[C] // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2018: 4320-4328

5. Furlanello T, Lipton Z C, Tschannen M, et al. Born again neural networks[J]. arXiv preprint arXiv:1805.04770, 2018.

6. Romero A , Ballas N , Kahou S E , et al. FitNets: Hints for Thin Deep Nets[J]. Computer Science, 2014.

7. Zagoruyko S, Komodakis N. Paying more attention to attention: Improving the performance of convolutional neural networks via attention transfer[J]. arXiv preprint arXiv:1612.03928, 2016.

8. Yim J, Joo D, Bae J, et al. A gift from knowledge distillation: Fast optimization, network minimization and transfer learning[C] // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition.

9. Wang X, Zhang R, Sun Y, et al. KDGAN: knowledge distillation with generative adversarial networks[C]//Advances in Neural Information Processing Systems. 2018: 775-786.

10. Tang J, Wang K. Ranking distillation: Learning compact ranking models with high performance for recommender system[C]

11. Cheng Y, Wang D, Zhou P, et al. A survey of model compression and acceleration for deep neural networks[J]. arXiv preprint arXiv:1710.09282, 2017.

原文地址：

https://zhuanlan.zhihu.com/p/92166184

（*本文为AI科技大本营转载文章，转载请联系作者）

所有CSDN 用户都可参与投票和抽奖活动

加入福利群，每周还有精选学习资料、技术图书等福利发送

,