本文使用NST特征蒸馏实现deeplabv3+模型对剪枝后模型的蒸馏过程;
一、NST特征蒸馏简介
下面是两张叠加了热力图(heat map)的图片,从图中很容易看出这两个神经元具有很强的选择性:左图的神经元对猴子的脸部非常敏感,右侧的神经元对字符非常敏感。这种激活实际上意味着神经元的选择性,即什么样的输入可以触发这些神经元。换句话说,一个神经元高激活的区域可能共享一些与任务相关的相似特性,而这种相似特征,即为学生网络向教师网络学习的目标。
如下图所示为神经元选择性迁移的架构。学生网络不仅利用真正的标签训练,而且还模仿了教师网络中间层的激活分布。图中的每个点或三角形表示其对应的滤波器的激活图。
NST损失函数如下所示:
其中ÿ
卷积模型的剪枝、蒸馏---蒸馏篇--NST特征蒸馏(以deeplabv3+为例)
最新推荐文章于 2024-07-11 23:53:52 发布
本文介绍了如何通过NST(Neuron Selectivity Transfer)特征蒸馏来实现deeplabv3+模型对剪枝后模型的知识迁移。在训练过程中,除了常规的交叉熵损失,还引入了最大平均差异(MMD)损失,以减少教师和学生模型特征之间的差异。在实际操作中,使用了d=2, c=0的多项式核函数。在训练和验证阶段,对模型的相应层进行修改,计算并添加NST损失项。通过这种方式,学生网络不仅学习真实标签,还模仿教师网络的中间层激活分布,从而实现有效知识转移。"
111955829,10539775,QT平台文件处理:字符串分组与转换,"['QT开发', '文件操作', '字符串处理']
摘要由CSDN通过智能技术生成