认识深度学习中的知识蒸馏

  一分钟带你认识深度学习中的知识蒸馏   【摘要】 知识蒸馏（knowledge distillation）是模型压缩的一种常用的方法，不同于模型压缩中的剪枝和量化，知识蒸馏是通过构建一个轻量化的小模型，利用性能更好的大模型的监督信息，来训练这个小模型，以期达到更好的性能和精度。本文将深入浅出的介绍知识蒸馏的概念和原理，最后通过一个实际的上手案例，来指导用户使用知识蒸馏。一、知识蒸馏入门1.1 概念介绍知识蒸馏（knowledge distillation）是模型压缩的一种常用的方法，不同于模型压缩中的剪枝和量化，知识蒸馏是通过构建一个轻量化的小模型，利用性能更好的大模型的监督信息，来训练这个小模型，以期达到更好的性能和精度。最早是由Hinton在2015年首次提出并应用在分类任务上面，这个大模型我们称之为teacher（教师模型），小模型我们称之为Student（学生模型）。来自Teacher模型输出的监督信息称之为knowledge(知识)，而student学习迁移来自teacher的监督信息的过程称之为Distillation(蒸馏)。1.2 知识蒸馏的种类图1 知识蒸馏的种类1、  离线蒸馏   离线蒸馏方式即为传统的知识蒸馏，如上图（a）。用户需要在已知数据集上面提前训练好一个teacher模型，然后在对student模型进行训练的时候，利用所获取的teacher模型进行监督训练来达到蒸馏的目的，而且这个teacher的训练精度要比student模型精度要高，差值越大，蒸馏效果也就越明显。一般来讲，teacher的模型参数在蒸馏训练的过程中保持不变，达到训练student模型的目的。蒸馏的损失函数distillation loss计算teacher和student之前输出预测值的差别，和student的loss加在一起作为整个训练loss，来进行梯度更新，最终得到一个更高性能和精度的student模型。2、  半监督蒸馏   半监督方式的蒸馏利用了teacher模型的预测信息作为标签，来对student网络进行监督学习，如上图（b）。那么不同于传统离线蒸馏的方式，在对student模型训练之前，先输入部分的未标记的数据，利用teacher网络输出标签作为监督信息再输入到student网络中，来完成蒸馏过程，这样就可以使用更少标注量的数据集，达到提升模型精度的目的。3、  自监督蒸馏    自监督蒸馏相比于传统的离线蒸馏的方式是不需要提前训练一个teacher网络模型，而是student网络本身的训练完成一个蒸馏过程，如上图（c）。具体实现方式 有多种，例如先开始训练student模型，在整个训练过程的最后几个epoch的时候，利用前面训练的student作为监督模型，在剩下的epoch中，对模型进行蒸馏。这样做的好处是不需要提前训练好teacher模型，就可以变训练边蒸馏，节省整个蒸馏过程的训练时间。1.3 知识蒸馏的功能1、提升模型精度  用户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模型。2、降低模型时延，压缩网络参数  用户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、图片标签之间的域迁移  用户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，将两个不同与的数据集进行集成和迁移。图2 图像域迁移训练4、降低标注量  该功能可以通过半监督的蒸馏方式来实现，用户利用训练好的teacher网络模型来对未标注的数据集进行蒸馏，达到降低标注量的目的。1.4 知识蒸馏的原理图3 知识蒸馏原理介绍   一般使用蒸馏的时候，往往会找一个参数量更小的student网络，那么相比于teacher来说，这个轻量级的网络不能很好的学习到数据集之前隐藏的潜在关系，如上图所示，相比于one hot的输出，teacher网络是将输出的logits进行了softmax，更加平滑的处理了标签，即将数字1输出成了0.6（对1的预测）和0.4（对0的预测）然后输入到student网络中，相比于1来说，这种softmax含有更多的信息。好模型的目标不是拟合训练数据，而是学习如何泛化到新的数据。所以蒸馏的目标是让student学习到teacher的泛化能力，理论上得到的结果会比单纯拟合训练数据的student要好。另外，对于分类任务，如果soft targets的熵比hard targets高，那显然student会学习到更多的信息。最终student模型学习的是teacher模型的泛化能力，而不是“过拟合训练数据”二、动手实践知识蒸馏ModelArts模型市场中的efficientDet目标检测算法目前已经支持知识蒸馏，用户可以通过下面的一个案例，来入门和熟悉知识蒸馏在检测网络中的使用流程。2.1 准备数据集  数据集使用kaggle公开的Images of Canine Coccidiosis Parasite的识别任务，下载地址：2.2 订阅市场算法efficientDet  进到模型市场算法界面，找到efficientDet算法，点击“订阅”按钮图4 市场订阅efficientDet算法  然后到算法管理界面，找到已经订阅的efficientDet，点击同步，就可以进行算法训练图5 算法管理同步订阅算法2.3 训练student网络模型    起一个efficientDet的训练作业，model_name=efficientdet-d0，数据集选用2.1发布的已经切分好的数据集，选择好输出路径，点击创建，具体创建参数如下：图6 创建student网络的训练作业   得到训练的模型精度信息在评估结果界面，如下：图7 student模型训练结果  可以看到student的模型精度在0.8473。2.4 训练teacher网络模型  下一步就是训练一个teacher模型，按照efficientDet文档的描述，这里选择efficientdet-d3，同时需要添加一个参数，表明该训练作业生成的模型是用来作为知识蒸馏的teacher模型，新起一个训练作业，具体参数如下：图8 teacher模型训练作业参数  得到的模型精度在评估结果一栏，具体如下：图9 teacher模型训练结果  可以看到teacher的模型精度在0.875。2.5 使用知识蒸馏提升student模型精度  有了teacher网络，下一步就是进行知识蒸馏了，按照官方文档，需要填写teacher model url，具体填写的内容就是2.4训练输出路径下面的model目录，注意需要选到model目录的那一层级，同时需要添加参数use_offline_kd=True，具体模型参数如下所示：图10 采用知识蒸馏的student模型训练作业参数  得到模型精度在评估结果一栏，具体如下：图11 使用知识蒸馏之后的student模型训练结果  可以看到经过知识蒸馏之后的student的模型精度提升到了0.863，精度相比于之前的student网络提升了1.6%百分点。2.6 在线推理部署 训练之后的模型就可以进行模型部署了，具体点击“创建模型”图12 创建模型  界面会自动读取模型训练的保存路径，点击创建：图13 导入模型  模型部署成功之后，点击创建在线服务：图14 部署在线服务  部署成功就可以进行在线预测了：图15 模型推理结果展示三、知识蒸馏目前的应用领域  目前知识蒸馏的算法已经广泛应用到图像语义识别，目标检测等场景中，并且针对不同的研究场景，蒸馏方法都做了部分的定制化修改，同时，在行人检测，人脸识别，姿态检测，图像域迁移，视频检测等方面，知识蒸馏也是作为一种提升模型性能和精度的重要方法，随着深度学习的发展，这种技术也会更加的成熟和稳定。参考文献：1Data Distillation: Towards Omni-Supervised Learning2On the Efficacy of Knowledge Distillation3Knowledge Distillation and Student-Teacher Learning for Visual Intelligence: A Review and New Outlooks4Towards Understanding Knowledge Distillation5Model Compression via Distillation and Quantization -全文完-