Press "Enter" to skip to content

Knowledge Distillation | 知识蒸馏经典解读

本站内容均来自兴趣收集,如不慎侵害的您的相关权益,请留言告知,我们将尽快删除.谢谢.

 

作者 | 小小

 

整理 | NewBeeNLP

 

 

 

写在前面

 

知识蒸馏是一种模型压缩方法,是一种基于“教师-学生网络思想”的训练方法,由于其简单,有效,在工业界被广泛应用。这一技术的理论来自于2015年Hinton发表的一篇神作:Distilling the Knowledge in a Neural Network [1]

 

Knowledge Distillation,简称KD,顾名思义,就是将已经训练好的模型包含的知识(”Knowledge”),蒸馏(“Distill”)提取到另一个模型里面去。今天,我们就来简单读一下这篇论文,力求用简单的语言描述论文作者的主要思想。在本文中,我们将从背景和动机讲起,然后着重介绍“知识蒸馏”的方法,最后我会讨论“温度“这个名词:

 

「温度」: 我们都知道“蒸馏”需要在高温下进行,那幺这个“蒸馏”的温度代表了什幺,又是如何选取合适的温度?

 

介绍

 

论文提出的背景:

 

虽然在一般情况下,我们不会去区分训练和部署使用的模型,但是训练和部署之间存在着一定的不一致性:

 

在训练过程中,我们需要使用复杂的模型,大量的计算资源,以便从非常大、高度冗余的数据集中提取出信息。在实验中,效果最好的模型往往规模很大,甚至由多个模型集成得到。而大模型不方便部署到服务中去,常见的瓶颈如下:

 

推断速度慢

 

对部署资源要求高(内存,显存等)

 

在部署时,我们对延迟以及计算资源都有着严格的限制。

 

因此,模型压缩(在保证性能的前提下减少模型的参数量)成为了一个重要的问题。而 「模型蒸馏」 属于模型压缩的一种方法。

 

插句题外话,我们可以从模型参数量和训练数据量之间的相对关系来理解underfitting和overfitting。AI领域的从业者可能对此已经习以为常,但是为了力求让小白也能读懂本文,还是引用我同事的解释(我印象很深)形象地说明一下:

 

模型就像一个容器,训练数据中蕴含的知识就像是要装进容器里的水。

 

当数据知识量(水量)超过模型所能建模的范围时(容器的容积),加再多的数据也不能提升效果(水再多也装不进容器),因为模型的表达空间有限(容器容积有限),就会造成underfitting;

 

而当模型的参数量大于已有知识所需要的表达空间时(容积大于水量,水装不满容器),就会造成overfitting,即模型的bias会增大(想象一下摇晃半满的容器,里面水的形状是不稳定的)。

 

“思想歧路”

 

上面容器和水的比喻非常经典和贴切,但是会引起一个误解: 人们在直觉上会觉得,要保留相近的知识量,必须保留相近规模的模型。也就是说,一个模型的参数量基本决定了其所能捕获到的数据内蕴含的“知识”的量。

 

这样的想法是基本正确的,但是需要注意的是:

 

 

模型的参数量和其所能捕获的“知识“量之间并非稳定的线性关系(下图中的1),而是接近边际收益逐渐减少的一种增长曲线(下图中的2和3)

 

完全相同的模型架构和模型参数量,使用完全相同的训练数据,能捕获的“知识”量并不一定完全相同,另一个关键因素是训练的方法。合适的训练方法可以使得在模型参数总量比较小时,尽可能地获取到更多的“知识”(下图中的3与2曲线的对比).

 

 

知识蒸馏的理论依据

 

Teacher Model和Student Model

 

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。

 

 

在本论文中,作者将问题限定在 「分类问题」 下,或者其他本质上属于分类问题的问题,该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。

 

知识蒸馏的关键点

 

如果回归机器学习最最基础的理论,我们可以很清楚地意识到一点(而这一点往往在我们深入研究机器学习之后被忽略): 机器学习 「最根本的目的」 在于训练出在某个问题上泛化能力强的模型。

 

泛化能力强: 在某问题的所有数据上都能很好地反应输入和输出之间的关系,无论是训练数据,还是测试数据,还是任何属于该问题的未知数据。

 

而现实中,由于我们不可能收集到某问题的所有数据来作为训练数据,并且新数据总是在源源不断的产生,因此我们只能退而求其次,训练目标变成在已有的训练数据集上建模输入和输出之间的关系。由于训练数据集是对真实数据分布情况的采样,训练数据集上的最优解往往会多少偏离真正的最优解(这里的讨论不考虑模型容量)。

 

而在知识蒸馏时,由于我们已经有了一个泛化能力较强的Net-T,我们在利用Net-T来蒸馏训练Net-S时,可以直接让Net-S去学习Net-T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”。

 

 

传统training过程(hard targets): 对ground truth求极大似然

 

KD的training过程(soft targets): 用large model的class probabilities作为soft targets

 

上图: Hard Target 下图: Soft Target

「为什幺?」

 

softmax层的输出,除了正例之外,负标签也带有大量的信息,比如某些负标签对应的概率远远大于其他负标签。而在传统的训练过程(hard target)中,所有负标签都被统一对待。也就是说,KD的训练方式使得每个样本给Net-S带来的信息量大于传统的训练方式。

 

举个例子来说明一下: 在手写体数字识别任务MNIST中,输出类别有10个。

 

假设某个输入的“2”更加形似”3”,softmax的输出值中”3”对应的概率为0.1,而其他负标签对应的值都很小,而另一个”2”更加形似”7”,”7”对应的概率为0.1。这两个”2”对应的hard target的值是相同的,但是它们的soft target却是不同的,由此我们可见soft target蕴含着比hard target多的信息。并且soft target分布的熵相对高时,其soft target蕴含的知识就更丰富。

两个”2“的hard target相同而soft target不同

这就解释了为什幺通过蒸馏的方法训练出的Net-S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。

 

softmax函数

 

先回顾一下原始的softmax函数:

 

但要是直接使用softmax层的输出值作为soft target, 这又会带来一个问题: 当softmax输出的概率分布熵相对较小时,负标签的值都很接近0,对损失函数的贡献非常小,小到可以忽略不计。因此”温度”这个变量就派上了用场。

 

下面的公式时加了温度这个变量之后的softmax函数:

 

这里的T就是 「温度」 。

 

原来的softmax函数是T = 1的特例。T越高,softmax的output probability distribution越趋于平滑,其分布的熵越大,负标签携带的信息会被相对地放大,模型训练将更加关注负标签。

 

知识蒸馏的具体方法

 

通用的知识蒸馏方法

 

第一步是训练Net-T;第二步是在高温T下,蒸馏Net-T的知识到Net-S

训练Net-T的过程很简单,下面详细讲讲第二步:高温蒸馏的过程。高温蒸馏过程的目标函数由distill loss(对应soft target)和student loss(对应hard target)加权得到。示意图如上。

 

: Net-T的logits

 

: Net-S的logits

 

: Net-T的在温度=T下的softmax输出在第i类上的值

 

: Net-S的在温度=T下的softmax输出在第i类上的值

 

: 在第i类上的ground truth值,, 正标签取1,负标签取0.

 

: 总标签数量

 

Net-T 和 Net-S同时输入 transfer set (这里可以直接复用训练Net-T用到的training set), 用Net-T产生的softmax distribution (with high temperature) 来作为soft target,Net-S在相同温度T下的softmax输出和soft target的cross entropy就是 「Loss函数的第一部分」 .

 

, 其中,

 

Net-S在温度=1下的softmax输出和ground truth的cross entropy就是 「Loss函数的第二部分」 .

 

, 其中.

 

第二部分Loss的必要性其实很好理解: Net-T也有一定的错误率,使用ground truth可以有效降低错误被传播给Net-S的可能。打个比方,老师虽然学识远远超过学生,但是他仍然有出错的可能,而这时候如果学生在老师的教授之外,可以同时参考到标准答案,就可以有效地降低被老师偶尔的错误“带偏”的可能性。

 

「讨论」

 

实验发现第二部分所占比重比较小的时候,能产生最好的结果,这是一个经验的结论。一个可能的原因是,由于soft target产生的gradient与hard target产生的gradient之间有与 T 相关的比值。

 

另外,。因此在同时使用soft target和hard target的时候,需要在soft target之前乘上的系数,这样才能保证soft target和hard target贡献的梯度量基本一致。

 

「注意」: 在Net-S训练完毕后,做inference时其softmax的温度T要恢复到1.

 

一种特殊情形: 直接match logits(不经过softmax)

 

直接match logits指的是,直接使用softmax层的输入logits(而不是输出)作为soft targets,需要最小化的目标函数是Net-T和Net-S的logits之间的平方差。

 

「直接match logits的做法是」 「的情况下的特殊情形。」

 

由单个case贡献的loss,推算出对应在Net-S每个logit上的gradient:

 

当时,我们使用来近似,于是得到

 

如果再加上logits是零均值的假设

 

那幺上面的公式可以简化成

 

也就是等价于minimise下面的损失函数

 

关于”温度”的讨论

 

【问题】 我们都知道“蒸馏”需要在高温下进行,那幺这个“蒸馏”的温度代表了什幺,又是如何选取合适的温度?

随着温度T的增大,概率分布的熵逐渐增大

温度的特点

 

在回答这个问题之前,先讨论一下 「温度T的特点」

 

 

原始的softmax函数是时的特例,时,概率分布比原始更“陡峭”,时,概率分布比原始更“平缓”。

 

温度越高,softmax上各个值的分布就越平均(思考极端情况: (i), 此时softmax的值是平均分布的;(ii),此时softmax的值就相当于,即最大的概率处的值趋近于1,而其他值趋近于0)

 

不管温度T怎幺取值,Soft target都有忽略小的携带的信息的倾向

 

 

温度代表了什幺,如何选取合适的温度?

 

温度的高低改变的是Net-S训练过程中对负标签的关注程度: 温度较低时,对负标签的关注,尤其是那些显着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,Net-S会相对多地关注到负标签。

 

实际上,负标签中包含一定的信息,尤其是那些值显着 「高于」 平均值的负标签。但由于Net-T的训练过程决定了负标签部分比较noisy,并且负标签的值越低,其信息就越不可靠。因此温度的选取比较empirical,本质上就是在下面两件事之中取舍:

 

 

从有部分信息量的负标签中学习 –> 温度要高一些

 

防止受负标签中噪声的影响 –>温度要低一些

 

 

总的来说,T的选择和Net-S的大小有关,Net-S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capture all knowledge,所以可以适当忽略掉一些负标签的信息)

 

一起交流

 

想和你一起学习进步!『 NewBeeNLP』 目前已经建立了多个不同方向交流群( 机器学习 / 深度学习 / 自然语言处理 / 搜索推荐 / 图网络 / 面试交流 /  等),名额有限,赶紧添加下方微信加入一起讨论交流吧!(注意一定要 备注信息 才能通过)

 

 

本文参考资料

[1]

Distilling the Knowledge in a Neural Network: https://arxiv.org/abs/1503.02531

[2]

深度压缩之蒸馏模型 – 风雨兼程的文章 – 知乎: https://zhuanlan.zhihu.com/p/24337627>

[3]

知识蒸馏Knowledge Distillation – 船长的文章 – 知乎: https://zhuanlan.zhihu.com/p/83456418

[4]

knowledge-distillation-simplified: https://towardsdatascience.com/knowledge-distillation-simplified-dd4973dbc764

[5]

knowledge_distillation: https://nervanasystems.github.io/distiller/knowledge_distillation.html

 

Be First to Comment

发表评论

您的电子邮箱地址不会被公开。 必填项已用*标注