NeurIPS 2022 | 知识蒸馏中如何让“大教师网络”也教得好？

最新推荐文章于 2024-09-16 11:49:57 发布

PaperWeekly

最新推荐文章于 2024-09-16 11:49:57 发布

阅读量634

点赞数 1

文章标签：深度学习人工智能

原文链接：https://mp.weixin.qq.com/s?__biz=MzIwMTc4ODE0Mw==&mid=2247604173&idx=2&sn=3095f637f761aa12e53c8cda1d6f98cb&chksm=96eb884da19c015bd28d44604aba6f1ec650fc7b3d9fd1bd24633783fbf576b66e9287112ad5&scene=126&sessionid=0

版权

©作者 | 李新春

单位 | 南京大学

研究方向 | 知识蒸馏

本文介绍一篇发表在机器学习顶会 NeurIPS 2022 （CCF-A 类会议）的论文《Asymmetric Temperature Scaling Makes Larger Networks Teach Well Again》。该工作的研究内容为知识蒸馏（Knowledge Distillation），是与华为诺亚联合实验室共同研究产出的一篇工作。本文分为以下几个部分对该工作进行介绍：

文章链接
代码链接
研究背景
提出的方法
实验效果
投稿历程

论文题目：

Asymmetric Temperature Scaling Makes Larger Networks Teach Well Again

文章来源：

NeurIPS 2022

论文链接：

https://arxiv.org/abs/2210.04427

代码链接：

https://github.com/lxcnju/ATS-LargeKD

https://gitee.com/lxcnju/ats-mindspore

作者主页：

http://www.lamda.nju.edu.cn/lixc/

研究背景

知识蒸馏（Knowledge Distillation）可以将大（强）模型的能力传递给轻量（弱）模型，其基本形式如下：

▲ 知识蒸馏示意图

其基本步骤为：1）在训练集上训练一个大教师网络，或者拿现有的当作教师网络；2）使用图示的损失去指导学生网络进行训练。损失包括两部分：正常分类的损失和知识蒸馏损失。前者是 hard-label，后者是 soft-label。引入后者的目的是因为学生直接学习 hard-label 太困难了，因此期望学生能够模仿教师的 soft 输出，从而把握类别之间的相似度，从而更好地学习。

值得注意的是：知识蒸馏损失里面的温度系数 Temperature 很重要！如果很小，那么教师的输出结果像 hard-label，导致和正常分类损失相比没有什么额外的信息；如果很大，那么教师的输出结果像 uniform-label，类别之间的差异性就没有了，仅仅起到了一个 label smoothing 的作用。

▲ 知识蒸馏中温度系数的作用

普遍的认知是越好的教师教学生教地越好。然而实际上，2019 年有学者 [Jang Hyun Cho, 2019] 指出：大神经网络不一定教地好！

引用下面的一个示意图（来自 [Seyed Iman Mirzadeh, 2020]），随着 teacher size 逐渐变大，教师的准确率越来越高（红色的 teacher accuracy），但是其教的学生的准确率先变高再变低（蓝色的 student accuracy）。现有的工作都将这个奇怪的现象归因于”大教师网络“和”小学生网络“之间的容量差异（capacity gap），但是没有形象地指出这种差异为何出现。

▲ 大神经网络不一定教得好

因此，本文的研究内容就是：为什么大神经网络不一定教地好，有没有什么简单的办法让大神经网络教地好？

▲ 文章的研究内容

提出的方法

本文最直接的猜测起源于下面的式子：

▲ 大教师网络和小教师网络在教同一个学生网络的区别

也就是说，在遍历所有可能温度系数的情况下，相比较于大教师网络，小教师网络更容易给出质量更好的指导信息，即 ！

首先，文章通过一些观察实验发现：大教师网络更容易给出置信度较高的预测，包括两个方面。其一，正确类别的 logit 可能更大；其二，错误类别 logits 之间差异更小。本文称神经网络最后一层给出的类别预测得分称为 logits。

▲ 大神经网络和小神经网络的输出 logits 的分布

具体地，在 CIFAR-100 和 CIFAR-10 上训练 ResNet14/44/110 和 WRN28-1/4/8，统计神经网络输出的 logits 的如下指标：

每个样本正确类别的 logit，记作
每个样本错误类别 logits 间的方差，记作

可以看出，在 CIFAR-100 上，ResNet110 很明显给出了更大的，在 CIFAR-10 上 WideResNet28-8 给出了更小的。举例而言，给定五个类别，第一个为正确类别，小教师网络和大教师网络给出的 logits 大概如下：

▲ 大教师和小教师给出的logits示例

这就是最基本的现象，也是整个工作的启发点：大神经网络更为置信，给出的 target logit 更大，或者 wrong logits 差异更小！

那么我们不妨设想两个极端：

如果 target logit 非常大，那么无论用什么温度系数对教师的输出进行 softmax，最后得到的都为 one-hot 形式；
如果 wrong logits 之间差异很小，就假设都一样，那么无论用什么温度系数对教师的输出进行 softmax，最后得到的在错误类别之间都无法提供差异化信息。

也就是说，大教师网络的高置信度导致：无论在什么样子的温度系数下，其给出的指导信息（即：）都很难具有足够有效的信息！这里足够有效的信息如何定义呢？本文将其定义为，错误类别之间的概率值的方差！

▲ 根据现象得到的猜测

因此本文的猜测为：大神经网络不能教地好的原因是无论使用怎样的温度系数，都难以使得错误类别概率“错落有致”。

为了从理论上去推导验证，本文将知识蒸馏分为三个部分：

▲ 知识蒸馏分解

分别包括：1）Correct Guidance，类似于 hard-label 的 one-hot 标签；2）Smooth Regularization，错误类别的平均概率值，类似于 label smoothing；3）Class Discriminability，错误类别之间的差异，可以用方差来度量，错误类别差异越大，教师提供的指导信息越多！

接下来是理论分析，先定义一些符号和公式：

▲ 一些基本的符号

理论分析：

事实上：随着不断增大，得到的的熵越来越大，即越来越均匀。本研究证明了：随着不断增大，得到的 元素之间的方差也会越来越小。

在正确类别 logit 最大情况下：随着不断增大，错误类别概率的均值会逐渐增大。

最重要的等式为：

其中 DA、IV、DV 分别解释如下：

Inherent Variance：错误类别 logits 经过 softmax 之后得到的类别概率分布的方差；
Derived Average：所有类别 logits 经过 softmax 之后得到的错误类别概率的平均值；
Derived Variance：所有类别 logits 经过 softmax 之后得到的错误类别概率的方差。

针对某一个样本的计算示意图如下（SF 代表 Softmax）：

▲ DA、IV、DV关系示意图

利用该公式解释为什么大教师网络教不好：

翻译为中文为：

大教师网络给的正确类别 logit 的值很大，导致 DA 变小；
大教室网络给的错误类别 logit 的差异很小，导致 IV 变小。

最终都会导致 DV 变小，即：大教师网络的 DV 很小，传统温度缩放下很难让错误类别的概率“错落有致”。

提出的方法为 Asymmetric Temperature Scaling（ATS），针对正确/错误类别施加较大/较小的温度系数：

大教师网络给的正确类别 logit 的值很大，用较大的增大 DA；
大教室网络给的错误类别 logit 的差异很小，用较小的增大 IV。

结论：ATS 可以使得大教师网络的 DV 变大让错误类别的概率“错落有致”。

实验结果

实验设置和结果就不详细介绍了，有兴趣的可以看文章。下面就简单贴一下结果：

投稿历程

到此，本文的基本方法都介绍完了，是一个非常简单的改进。研究设计的过程中也充满了乐趣，主要包括三个过程：

发现大神级网络和小神经网络输出的结果具有一些差异，兴奋值 ++；
发现可以将知识蒸馏的损失分解为三部分，特别是 class discriminability 的定义很有意思，兴奋值 ++；
发现可以用公式解释大教师神经网络的 DV 很小，兴奋值 ++；
发现可以提出一个非常简单的 ATS 来使得大教师教地更好，兴奋值 ++。

该工作完成于 2021.1 月份左右，在新年前几天完成的，满怀期待投稿了 ICML 2022。很不幸的是被拒了，个人感觉是在边缘，因为审稿人给的意见都没有特别严重的，主要是一些行文思路和概念没有解释清楚。

于是完善了之后转投了 NeurIPS，得分为 2 （Strong Reject），5（Borderline Accept），6 （Weak Accept）。看到审稿意见本想放弃，但仔细一看给 2 分的貌似只是针对我们公式符号的不合理性进行了攻击，感觉还是有希望的。于是修改了符号，提交了 rebuttal revision。审稿人然后就将分数改为 6。最终得分为 666。

更多阅读