知识蒸馏老鼻祖之Distilling the Knowledge in a Neural Network

Distilling the Knowledge in a Neural Network最重要的思想是提出用soft target辅助hard target组成loss，一起训练student model。
那soft target与hard target到底指的是什么？
它们之间有什么不同呢？

hard target：
hard target其实就是数据的标签，比如分类驴和马，识别马时，hard target只有马的index处的值为1，驴的标签则为0.

soft target：
soft target是来自于teacher model的检测结果。hard target包含的信息熵很低，同时，hard target容易引起过拟合。可以这么理解，假设model 推测该类别的置信度为0.6，而label是1，那么相较于软化后的label如0.8，硬标签计算出的loss就会更大，使得bp的幅度变大，这样容易引起模型对某些特征的偏好，从而降低泛化能力。为了让student model学习更多有价值的信息，作者软化了标签，如下式，增加温度参数T软化了label。

loss是两者的结合。代码如下，soft target部分是KL散度，hard target是交叉熵。

def distillation(y, teacher_scores, labels, T, alpha):
    p = F.log_softmax(y/T, dim=1)
    q = F.softmax(teacher_scores/T, dim=1)
    l_kl = F.kl_div(p, q, size_average=False) * (T**2) / y.shape[0]
    l_ce = F.cross_entropy(y, labels)
    return l_kl * alpha + l_ce * (1. - alpha)

这里想解释一下，为什么会用KL散度来衡量p,q的距离。

首先，熵被定义为：

对于离散事件我们定义事件A和B的差别为，即A,B的KL散度：

事实上交叉熵和KL散度的公式非常相近，其实就是KL散度的后半部分：A和B的交叉熵 = A与B的KL散度 - A的熵。

重点：当S(A)是常量时，$D_{KL}(A||B)=H(A,B)$，也就是说KL散度和交叉熵在特定条件下等价。

所以在我们做分类时，label是固定的，S(A)是常数顾可以省略，直接用交叉熵做cost loss，但是在蒸馏时，soft label是由teacher model产生的，所以要用KL散度来衡量距离。当然平方差，交叉熵也同样work。