本文为稀土掘金技术社区首发签约文章，30天内禁止转载，30天后未获授权禁止转载，侵权必究!
beginning
在深度学习模型训练与部署的过程中，小伙伴们有没有遇到过因模型太大而导致训练部署困难呢🧐🧐🧐所以今儿就给大家介绍一个人工智能领域重要的模型压缩方法------知识蒸馏。知识蒸馏基于"教师-学生网络思想"的训练方法，通过师徒传授，将大规模教师模型的知识传递给轻量化学生网络，实现模型压缩和部署。它不仅在计算机视觉上有所利用，而且在NLP、多模态学习、预训练大模型领域都有着广泛应用。大家都熟悉蒸馏是把不纯净的水通过加热、冷凝变成纯净水的过程，那如何对知识进行蒸馏萃取呢？别急别急，如果你也对知识蒸馏有点子感兴趣，想透视知识蒸馏机理，一睹它的风采，让我们一起愉快的学习叭🎈🎈🎈
1.知识蒸馏简介
知识蒸馏其实水很深，因为它是一个人工智能的通用方法，所以需要我们具备一些机器学习、深度学习的基础知识，比如什么是交叉熵损失函数、softmax操作、模型如何通过梯度下降和反向传播来训练的 等，如果你对这些知识并不是很熟悉的话，这里推荐一个讲的超棒的视频喔➡[双语字幕]吴恩达深度学习🍭🍭🍭
大家都知道蒸馏是把水里的杂质去掉，变成清纯的蒸馏水，那知识蒸馏也是干的同一件事儿，只是把一件大的模型，我们称之为教师模型，将里面的知识给萃取蒸馏出来，浓缩到一个小的学生模型上。你可以理解为一个大的、臃肿的、性能高的教师神经网络，把他的知识教给了一个小的、轻量化的学生神经网络，这里有一个知识的迁移，知识就从教师网络迁移到学生网络上🧸🧸🧸
就像上图所示，教师网络把知识传递给学生网络，这一过程称之为蒸馏Distill或者迁移Transfer。假设这个老师教的很好，学生掌握了老师的各种安身立命的技能，那这个学生网络就可以用轻量化的身段来取代这个老师（俗话说教会徒弟饿死师父不是没有道理滴👀）。
接下来可能就有小伙伴要问了：为啥要把网络弄得那么小嘞？为啥要训练一个学生网络，不直接用教师网络呢？答案是大模型太臃肿 。在现代的人工智能社会，各种AI算法（计算机视觉、语音识别、预训练大模型等等）都是很大的，而真正落地应用终端的算力又是非常有限的，比如手机移动端，智能穿戴，电脑电视，无人驾驶汽车，安防监控等等，你想想一个手机的算力能有多大腻。教师网络也许是用海量的算力能源，在数据中心花了大量的电力和成本资源才训练出来的臃肿模型，现在呢我们要把它部署在算力有限的终端设备上，在这种场景下，所以我们需要把大模型变成小模型，把小模型部署在移动终端上，这也是知识蒸馏的核心目的🌞🌞🌞
2.知识蒸馏核心原理
- 知识蒸馏领域开山之作：arxiv.org/pdf/1503.02... （强推）
知识蒸馏的这篇论文大家一定要读一读，不仅开创了知识蒸馏这一新领域，而且因为是几位巨佬写的（其中就有深度学习之父Hinton），所以写作手法遣词造句都很值得我们借鉴。就比如在论文的开头先写昆虫在不同时期的需求是不一样的，进而引到机器学习领域------我们训练和部署往往用的是同一套模型，而训练的目标是从数据集中学习到海量的规律，部署是要足够的快足够的轻量化，所以这二者会有一个矛盾。作者从大自然延伸到机器学习领域，思路非常巧妙哈✨✨✨下面就详细介绍一下知识蒸馏的核心思想，如何让教师网络把知识教给学生网络。
2.1知识的表示与迁移
假如我们把上图马的照片喂给一个神经网络或者一个图像分类模型，那么结果就会有很多类别，每个类别都会给出一个是马、是猫、是狗、是驴、是车等的概率。我们训练网络的时候只是告诉网络这是一匹马，至于说它是不是驴、是不是汽车这些概率一律为0，这被称为hard targets （如下左图）我们是用hard targets来训练网络的。但是小伙伴们仔细想一下，这足够科学吗？这其实是不够科学的，这样的标签就等同于告诉网络这就是一匹马，这不是驴不是车，而且它不是驴不是马的概率是相等的。我们肉眼明明能够看出来它跟驴子是有些相似性的，它更像驴子更不像汽车，所以无论从图像分类还是生物学的角度看这总归是不科学的🌻🌻🌻
与hard targets不同，当我们把图片送入神经网络后，soft targets会给出不一样的结果：马 0.7，驴 0.25，汽车 0.05，这不仅告诉我们它是马的概率是最大的0.7，是汽车的概率是最小的0.05，还有0.25的可能性是驴呢，说明soft targets包含了更多的知识 。所以我们在训练教师网络的时候可以用hard targets训练，训练出来教师网络之后，教师网络对这张图片的预测结果，即soft targets能够传递出更多的信息，那么我们就可以用soft targets去训练学生网络。
就像上图中的右图所示，这个数字为2的可能性无疑是最大的，但又有点像3，其他类别的概率比较小，同时包含了非正确类别概率的相对大小。如果单纯用hard targets的话，就把它像谁、不像谁、有多像、有多不像的信息给抹去了，所以hard targets是不科学的，soft targets是比较科学的⛳⛳⛳
现在我们的任务就明确了，我们要用教师网络预测出的soft targets作为训练学生网络的标签 。这时候还要进行一个操作------现在的soft targets我觉得它还不够soft，我想让它更soft，想让其他类别的概率也变大，把它们的相对大小充分的暴露出来，夸张出来，放大出来，让学生网络对这些非正确类别概率的信息有更强烈的信号。所以这时候我们要引入一个蒸馏温度T，温度T越高，soft targets就越soft✨✨✨
2.2蒸馏温度T
怎么引入T呢？其实就是在原来的softmax操作基础上除T： <math xmlns="http://www.w3.org/1998/Math/MathML"> q i = exp ( z i / T ) ∑ j exp ( z j / T ) {q_i} = \frac{{\exp ({z_i}/T)}}{{\sum\nolimits_j {\exp ({z_j}/T)} }} </math>qi=∑jexp(zj/T)exp(zi/T)
如果T等于1的话就是原始的softmax，若T变大的话，就变得越soft，即高的概率给它变低，低的概率给它变高，但是它们的相对大小仍然是固定的，如下图所示。温度T越高，非正确类别概率的相对大小信息就暴露的更加明显，但是如果T过大，就像下图中的紫色折线，它们的差距就没有了，变成平均主义一条横线。
我们知道softmax操作本身就是把每个类别的logit强行的变成0-1之间的概率并且求和为1，所以它是有放大差异的功能。我们可以通过增加T来把原来比较hard的标签变得更soft，而更软的soft targets去训练学生网络可以获取更丰富的知识 。听到这儿小伙伴们是不是有些不理解腻🧐🧐🧐那来举个例子辅助我们理解（图片来自b站学习up主同济子豪兄）：
比如上图左侧学生网络是一个神经网络，最后一层的线性分类层给出猫、狗、驴、马的logit分数分别为-5、2、7和9，那原来的softmax是怎么操作的呢？它是把 <math xmlns="http://www.w3.org/1998/Math/MathML"> e − 5 + e 2 + e 7 + e 9 e^{-5}+e^2+e^7+e^9 </math>e−5+e2+e7+e9作为分母， <math xmlns="http://www.w3.org/1998/Math/MathML"> e − 5 、 e 2 、 e 7 、 e 9 e^{-5}、e^2、e^7、e^9 </math>e−5、e2、e7、e9分别作为分子算出来四个数值，因为T=1，所以它两极分化比较严重，四个数值的差距非常大，此时如果我们把T=1变成T=3呢，即把所有的分母都添上一个3，经过这样一个操作的话，得出来的数值差距明显不那么大了，变得更软(soft)了，教师网络也是同理🌈🌈🌈
2.3知识蒸馏过程
目前最难理解的部分已经介绍完啦，下面就是一个知识蒸馏的过程，那到底教师和学生网络是怎么样来进行蒸馏学习的呢？
- 首先我们有一个已经训练好的教师网络，我们把很多数据喂给教师网络，针对每个数据，网络会给一个温度为t时的softmax；
- 然后我们再把数据喂给学生网络，这个学生网络可能是还没有训练或可能训练一半，也给学生网络一个softmax(T=t)；
- 接着我们计算教师网络softmax(T=t)和学生网络softmax(T=t)时的损失函数，希望让两者越接近越好(就是学生在模拟老师的预测结果嘛)；
- 那么学生网络自己经过一个温度为1的softmax，即softmax(T=1)，和ground truth(即hard label)再做一个损失函数，希望让它俩也接近。就是说学生网络既要兼顾T=t时，它的预测结果要和教师网络尽可能接近，也要兼顾T=1时，预测结果要和标准答案接近。
- 所以最终的损失函数就是由distillation loss(也称soft loss)和student loss(也称hard loss)这两项加权求和 。distillation loss相当于是有一个师父在手把手教你，告诉你这是一匹马，它更像驴更不像车，驴和车有多像有多不像；而hard loss就好比有一个课本，课本上画着马的插图，从而告诉你这就是马，这不是别的东西，所以这两项相当于有师父带和从课本看，也很符合普通人学习的过程腻（很好理解叭）🌟🌟🌟
过程就是这么个过程，接下来让我们代入数据深入理解一下叭🌈🌈🌈
首先算一下hard loss，即学生网络在T=1时的softmax和hard label做一个比较，就是一个传统的交叉熵，结果等于 <math xmlns="http://www.w3.org/1998/Math/MathML"> − l o g ( 0.88 ) -log(0.88) </math>−log(0.88)，因为马这个类别的hard label为1，其他类别都为0，所以我们只需要看马类别的后验概率，取对数再加个负号就行啦。下面来看看soft loss的计算，即把学生网络T=t时候的softmax和教师网络T=t时候的softmax求一个交叉熵，计算结果就是 <math xmlns="http://www.w3.org/1998/Math/MathML"> − [ 0.0006 × l o g ( 0.0058 ) + 0.0171 × l o g ( 0.0599 ) + 0.0466 × l o g ( 0.3170 ) + 0.9375 × l o g ( 0.6174 ) ] -[0.0006×log(0.0058)+0.0171×log(0.0599)+0.0466×log(0.3170)+0.9375×log(0.6174)] </math>−[0.0006×log(0.0058)+0.0171×log(0.0599)+0.0466×log(0.3170)+0.9375×log(0.6174)]，别看这么复杂，其实这也是交叉熵损失函数，只不过刚刚只有马一个类别有标签，而现在四个类别都有标签，所以就要把标签乘在log前面，表示的是第i个样本教师网络预测出第j类的概率作为学生网络第j类的soft targets。最后的最后，我们的目标就是微调学生网络中的权重，使得最终的损失函数最小化，那具体是通过什么方法呢------通过梯度下降和反向传播。
好啦，这就是知识蒸馏的整个过程，看到这儿小伙伴们是不是恍然大悟了腻😁😁😁
ending
看到这里相信盆友们都对知识蒸馏有了一个全面深入的了解啦！原理明白了之后，下一期将开启知识蒸馏的代码篇并补充一些本期还没讲完的知识，如果感兴趣的话，请多多关注我叭🌴🌴🌴很开心能把学到的知识以文章的形式分享给大家。如果你也觉得我的分享对你有所帮助，please一键三连嗷！！！下期见
