YOLOv5改进系列(二十五) 知识蒸馏理论与实践

小酒馆燃着灯

已于 2024-09-08 11:23:45 修改

阅读量627

点赞数 10

文章标签： YOLO 深度学习人工智能

于 2023-12-15 14:50:08 首次发布

本文链接：https://blog.csdn.net/weixin_44302770/article/details/135017222

版权

深度学习同时被 2 个专栏收录

213 篇文章 43 订阅

订阅专栏

YOLOv5改进

27 篇文章 30 订阅

订阅专栏

文章目录

知识蒸馏基础原理精讲
知识蒸馏理论篇
知识蒸馏实战篇

知识蒸馏基础原理精讲

1. 什么是知识蒸馏？

在这里插入图片描述

知识蒸馏就是把一个大的教师模型的知识萃取出来，把他浓缩到一个小的学生模型，可以理解为一个大的教师神经网络把他的知识教给小的学生网络，这里有一个知识的迁移过程，从教师网络迁移到了学生网络身上，教师网络一般是比较臃肿，所以教师网络把知识教给学生网络，学生网络是一个比较小的网络，这样就可以用学生网络去做一些轻量化网络做的事情。

2. 轻量化网络的方式有哪些？

压缩已训练好的模型：知识蒸馏、权值量化、权重剪枝、通道剪枝、注意力迁移
直接训练轻量化网络：SqueezeNet、MobileNetv1v2v3、MnasNet、SHhffleNet、Xception、EfficientNet、EfficieentDet
加速卷积运算：im2col+GEMM、Wiongrad、低秩分解
硬件部署：TensorRT、Jetson、TensorFlow-Slim、openvino、FPGA集成电路

3. 为什么要进行知识蒸馏？

深度学习在计算机视觉、语音识别、自然语言处理等内的众多领域中均取得了令人难以置信的性能。但是，大多数模型在计算上过于昂贵，无法在移动端或嵌入式设备上运行。因此需要对模型进行压缩，这样小的模型就适用于部署在终端设备上了。

3.1 提升模型精度

如果对目前的网络模型A的精度不是很满意，那么可以先训练一个更高精度的teacher模型B（通常参数量更多，时延更大），然后用这个训练好的teacher模型B对student模型A进行知识蒸馏，得到一个更高精度的A模型。

3.2 降低模型时延，压缩网络参数

如果对目前的网络模型A的时延不满意，可以先找到一个时延更低，参数量更小的模型B，通常来讲，这种模型精度也会比较低，然后通过训练一个更高精度的teacher模型C来对这个参数量小的模型B进行知识蒸馏，使得该模型B的精度接近最原始的模型A，从而达到降低时延的目的。

3.3 标签之间的域迁移

假如使用狗和猫的数据集训练了一个teacher模型A，使用香蕉和苹果训练了一个teacher模型B，那么就可以用这两个模型同时蒸馏出一个可以识别狗、猫、香蕉以及苹果的模型，将两个不同域的数据集进行集成和迁移。

4. 知识蒸馏的理论依据？

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。
Teacher学习能力强，可以将它学到的知识迁移给学习能力相对弱的Student模型，以此来增强Student模型的泛化能力。复杂笨重但是效果好的Teacher模型不上线，就单纯是个导师角色，真正部署上线进行预测任务的是灵活轻巧的Student小模型。

5. 知识蒸馏分类

知识蒸馏是对模型的能力进行迁移，根据迁移的方法不同可以简单分为基于目标蒸馏（也称为Soft-target蒸馏或Logits方法蒸馏）和基于特征蒸馏的算法两个大的方向。

5.1目标蒸馏-Logits方法

分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。在知识蒸馏时，由于我们已经有了一个泛化能力较强的Teacher模型，我们在利用Teacher模型来蒸馏训练Student模型时，可以直接让Student模型去学习Teacher模型的泛化能力。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” 。

5.1.1 Hard-target 和 Soft-target

注：soft target“软标签”指的是大网络在每一层卷积后输出的特征映射。

5.1.1.1 Hard-target和 Soft-target的区别

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

（原始数据集标注的 one-shot 标签，除了正标签为 1，其他负标签都是 0。）

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

（Teacher模型softmax层输出的类别概率，每个类别都分配了概率，正标签的概率最高，并且标签都以小数分布，0.1，0.35.，0.6。）

5.1.1.2 KD的训练过程为什么更有效?

在这里插入图片描述

以手写数字为例，教师网络对数字 1 的预测标签为 “1”:0.7，“7”：0.2，“9”：0.1，这里1的预测概率最大为0.7 是正确的分类，但是标签 "7""9"的预测概率也能提供一些信息，就是说 “7”，"9"和预测标签 1 还是有某种预测的相似度的。如果把这个信息也教会学生网络，学生网络就可以了解到这种类别之间的相似度，可以看作为学习到了教师网络中隐藏的知识，对于学生网络的分类是有帮助的。

综上：

（1）在使用Soft-target训练时，Student模型可以很快学习到Teacher模型的推理过程。

（2）传统的Hard-target的训练方式，所有的负标签都会被平等对待。Soft-target给Student模型带来的信息量要大于Hard-target，并且Soft-target分布的熵相对高时，其Soft-target蕴含的知识就更丰富。

（3）使用Soft-target训练时，梯度的方差会更小，训练时可以使用更大的学习率，所需要的样本也更少。

这也解释了为什么通过蒸馏的方法训练出的Student模型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。

5.2 特征蒸馏方法

它不像Logits方法那样，Student只学习Teacher的Logits这种结果知识，而是学习Teacher网络结构中的中间层特征。它强迫Student某些中间层的网络响应，要去逼近Teacher对应的中间层的网络响应。这种情况下，Teacher中间特征层的响应，就是传递给Student的知识，本质是Teacher将特征级知识迁移给Student。
既宽又深的模型通常需要大量的乘法运算，从而导致对内存和计算的高需求。为了解决这类问题，我们需要通过模型压缩（也称为知识蒸馏）将知识从复杂的模型转移到参数较少的简单模型。到目前为止，知识蒸馏技术已经考虑了Student网络与Teacher网络有相同或更小的参数。这里有一个洞察点是，深度是特征学习的基本层面，到目前为止尚未考虑到Student网络的深度。一个具有比Teacher网络更多的层但每层具有较少神经元数量的Student网络称为“thin deep network”。

因此，该篇论文主要针对Hinton提出的知识蒸馏法进行扩展，允许Student网络可以比Teacher网络更深更窄，使用teacher网络的输出和中间层的特征作为提示，改进训练过程和student网络的性能。

6. 知识蒸馏的过程

在这里插入图片描述

如上图所示，教师网络（左侧）的预测输出除以温度参数（Temperature）之后、再做Softmax计算，可以获得软化的概率分布（软目标或软标签），数值介于0−1之间，取值分布较为缓和。Temperature数值越大，分布越缓和；而Temperature数值减小，容易放大错误分类的概率，引入不必要的噪声。针对较困难的分类或检测任务，Temperature通常取1，确保教师网络中正确预测的贡献。硬目标则是样本的真实标注，可以用One-hot矢量表示。Total loss设计为软目标与硬目标所对应的交叉熵的加权平均（表示为KD loss与CE loss），其中软目标交叉熵的加权系数越大，表明迁移诱导越依赖教师网络的贡献，这对训练初期阶段是很有必要的，有助于让学生网络更轻松的鉴别简单样本，但训练后期需要适当减小软目标的比重，让真实标注帮助鉴别困难样本。另外，教师网络的预测精度通常要优于学生网络，而模型容量则无具体限制，且教师网络推理精度越高，越有利于学生网络的学习。

教师网络与学生网络也可以联合训练，此时教师网络的暗知识及学习方式都会影响学生网络的学习，具体如下（式中三项分别为教师网络Softmax输出的交叉熵loss、学生网络Softmax输出的交叉熵loss、以及教师网络数值输出与学生网络Softmax输出的交叉熵loss）

6.1 升温(T)操作

蒸馏的时候一般都需要进行升温操作，以分类网络为例，需要改进softmax，除以T

在这里插入图片描述

6.2 温度(T)特点

原始的softmax函数是T=1时的特例；T<1 时，概率分布比原始更“陡峭”，也就是说，当 T>0时，Softmax 的输出值会接近于 Hard-target；T>1时，概率分布比原始更“平缓”。
随着T的增加，Softmax 的输出分布越来越平缓，信息熵会越来越大。温度越高，softmax上各个值的分布就越平均，思考极端情况，当，此时softmax的值是平均分布的。
不管温度T怎么取值，Soft-target都有忽略相对较小的（Teacher模型在温度为T时softmax输出在第i类上的值）携带的信息的倾向。
温度的高低改变的是Student模型训练过程中对负标签的关注程度。当温度较低时，对负标签的关注，尤其是那些显著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，Student模型会相对更多地关注到负标签。
实际上，负标签中包含一定的信息，尤其是那些负标签概率值显著高于平均值的负标签。但由于Teacher模型的训练过程决定了负标签部分概率值都比较小，并且负标签的值越低，其信息就越不可靠。因此温度的选取需要进行实际实验的比较，本质上就是在下面两种情况之中取舍:
- 当想从负标签中学到一些信息量的时候，温度应调高一些；
- 当想减少负标签的干扰的时候，温度应调低一些；

总的来说，温度的选择和Student模型的大小有关，Student模型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学到所有Teacher模型的知识，所以可以适当忽略掉。

7. 蒸馏损失计算过程

在这里插入图片描述

在分类网络中知识蒸馏的 Loss 计算

上部分教师网络，它进行预测的时候， softmax要进行升温，升温后的预测结果我们称为软标签(soft label)
学生网络一个分支softmax的时候也进行升温，在预测的时候得到软预测（soft predictions)，然后对soft label和soft predictions 计算损失函数，称为distillation loss ，让学生网络的预测结果接近教师网络；
学生网络的另一个分支，在softmax的时候不进行升温T =1，此时预测的结果叫做hard prediction 。然后和hard label也就是 ground truth直接计算损失，称为student loss 。
总的损失结合了distilation loss和student loss ，并通过系数a加权，来平衡这两种Loss ，比如与教师网络通过MSE损失，学生网络与ground truth通过cross entropy损失， Loss的公式可表示如下:

$\mathcal{L}=(1-\alpha)\cdot\mathcal{L}_{\mathrm{MSE}}^{\mathrm{KD}}+\alpha\cdot\mathcal{L}_{\mathrm{CE}}^{\mathrm{KD}}$

8. 知识蒸馏在NLP/CV中的应用

8.1 目标蒸馏-Logits方法应用

《Distilling the Knowledge in a Neural Network 》，NIPS，2014。
《Deep Mutual Learning》，CVPR，2018。
《Born Again Neural Networks》，CVPR，2018。
《Distilling Task-Specific Knowledge from BERT into Simple Neural Networks》，2019。

8.2 特征蒸馏方法应用

《FitNets: Hints for Thin Deep Nets》，ICLR，2015。
《Paying More Attention to Attention: Improving the Performance of Convolutional Neural Networks via Attention Transfer》， ICLR，2017。
《A Gift from Knowledge Distillation: Fast Optimization, Network Minimization and Transfer Learning》，CVPR，2017。
《Learning Efficient Object Detection Models》，NIPS，2017。

9. 知识蒸馏的误区

不要认为学生模型通过蒸馏就可以达到教师模型的水平的，知识蒸馏的学生网络是很难达到和教师模型性能相同的水准的。

参考文献

[1] 【精读AI论文】知识蒸馏_哔哩哔哩_bilibili

知识蒸馏理论篇

在这里插入图片描述

1.《Object detection at 200 Frames Per Second》

在这里插入图片描述

首先我们来看一下《Object detection at 200 Frames Per Second》这篇论文对知识蒸馏的描述。

1.1 蒸馏难点

在这里插入图片描述

图3:蒸馏方法的总体架构。蒸馏损失用于标记和未标记数据。

1.2 蒸馏损失

1.3 实验结果

在这里插入图片描述

Pascal VOC 2007 上不同策略的蒸馏性能比较。结果显示为两个教师网络和两组标记的训练数据（Pascal VOC 和 Pascal VOC 和 COCO 的组合)。

2. 《Learning Efficient Object Detection Models with Knowledge Distillation》

在这里插入图片描述

这篇文章主要描述的是在Faster-RCNN上做知识蒸馏的过程，分为蒸特征和蒸输出两部分，其中蒸特征是使用的FitNet的方法在backbone做，在RPN和分类回归网络(RCN)部分蒸输出，两个部分都同时做分类和回归蒸馏。分类是做了一个weighted交叉熵，回归是做了一个bounded回归损失(即如果学生回归的比老师好，那就没有损失)，再加上GT的损失，构成一个整体。

2.1 目标检测中的知识蒸馏

在这里插入图片描述

图 1：使用 Faster-RCNN 提出的视觉对象检测任务学习方案，主要由区域提议网络（RPN）和区域分类网络（RCN）组成。这两个网络都使用多任务损失来共同学习分类器和边界框回归器。我们使用教师 RPN 和 RCN 的最终输出作为蒸馏目标，并将中间层输出作为提示。红色箭头表示反向传播路径。

2.2 蒸馏方法

教师网络的知识提取分为三点：中间层 Feature Maps 的 Hint；RPN/RCN 中分类层的 knowledge；以及RPN/RCN 中回归层的 knowlege。具体如下：

2.3 分类任务

2.4 回归任务

2.5 特征蒸馏

2.6 实验结果

在这里插入图片描述

大模型蒸小模型的性能提高。以小模型作为student，大模型作为teacher，当teacher性能越好，student也会得到更多的性能提高。整体提高大约在 0.2 − 4.7 0.2-4.7 0.2−4.7个点(数据集难度不同)。

在这里插入图片描述

自己(大尺度输入)蒸馏自己(小尺度)，但是图像的输入尺寸一个是另外一个的两倍。结果是蒸馏比不蒸馏高了3-4 点(最简单的PASCAL数据集)，只比大尺度输入低了不到一个点。

2.7 总结

这是第一篇将知识蒸馏用到检测的论文。对网络进行蒸特征和蒸结果（分类和回归），蒸特征采用的FitNet的做法对backbone进行学习，蒸分类时，考虑到背景数量远大于前景，且更容易把前背景搞混而非前景类别分错，因此将背景的损失惩罚增大。在回归时，设置了一个upper bound，即student比teacher回归的好一定程度时，不再计算回归蒸馏损。

知识蒸馏实战篇

在这里插入图片描述

0. 环境准备

终端键入：

pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

本项目所用代码在文章最下方。

本知识蒸馏项目所用环境和YOLOv5官方环境相同。

本篇博文采用yolov5m为教师网络，yolov5s为学生网络。

1. 训练学生网络

python train.py --data data/coco128.yaml --cfg models/yolov5s.yaml 
--weights yolov5s.pt --batch-size 16 --epochs 300 --workers 8 --name yolov5s-baseline

如果我们选择自己的baseline当作学生网络，这就要求你再训练一个较大的教师网络。

如果我们选择自己的baseline当作教师网络，这就要求你再训练一个较小的学生网络。

2. 训练教师网络

python train.py --data data/coco128.yaml --cfg models/yolov5m.yaml --weights yolov5m.pt 
--batch-size 16 --epochs 300 --workers 8 --name yolov5m-baseline

教师网络的各项评价指标要显著大于学生网络，这样才能有一个好的蒸馏效果。

3. 知识蒸馏训练

将runs/train/yolov5s-baseline/weights/best.pt和runs/train/yolov5m-baseline/weights/best.pt拷贝到weights文件夹下，分别改名为yolov5s_student和yolov5m_teacher。

python train_distillation.py --weights weights/yolov5s_student.pt --cfg models/yolov5s.yaml 
--data data/coco128.yaml --batch-size 8 --epochs 300 --workers 8 
--t_weights weights/yolov5m_teacher.pt --hyp data/hyps/hyp.scratch-low-distillation.yaml 
--distill --dist_loss l2 --name yolov5s-distilled