Dark Knowledge by Hinton

视频:https://www.youtube.com/watch?v=EK61htlw8hY

PPT: http://www.ttic.edu/dl/dark14.pdf

分析材料:http://deepdish.io/2014/10/28/hintons-dark-knowledge/ 

                http://fastml.com/geoff-hintons-dark-knowledge/


Dark Knowledge。。当我看到这个题目的时候,感觉有点被吓到了的感觉。。

这几天真正静下心来看懂了整个思想。。。感觉是很接地气的一个东东。。


dark knownledge,可以看作是softmax function 之后的probability,这些probability包含着类别之间的相关性。

比如,猫和狗的相似性,要远远大于猫和船的相似性。。。

而这种相似性,会在probability中有所体现。。。

而这部分信息一致没有被很好的利用,所以称之为dark knowledge。。


dark knowledge主要利用在两个方面:

一是:模型压缩。  这个思想,早在2006 caruana提出过。在很多竞赛时,会利用不同的网络架构,不同的初始化或者不同的训练数据等,来学习到很多网络模型,然后combine                               多个model来提高performance。  如何训练一个模型,达到这个combine model的效果呢?  减小测试时间复杂度。

二是:特殊网络的学习。 类似于一种subcategory的思想,用kmean把容易混淆的一些类聚合在一起,然后针对某些易混淆的类别,进行特殊网络的学习。。当然要解决的问题便是overfitting策略,在hinton的ppt里面有讲到。


无论是模型压缩,还是在特殊网络学习,都提到了基于soft targethard target两种目标函数。 也是整个ppt的中心吧。

一是hard target就是label信息,0 1 0 0

二是soft target是由已经训练好的model的出来的各个类别的probability信息。  比如:0.1 0.7 0.2 0.001。

       其中在soft target时,用到了raise the temperature策略,来提高soft target对应的cross entropy。


在进行模型压缩的时候,我们利用hard target 和soft target的loss function sum,来训练单一模型,努力达到很多模型combine的结果。

在进行特殊网路训练的时候,利用hard target loss来优化易混淆的某一子类,用soft target loss来优化其他所有类。


大致整理了一个简单的ppt,贴出来共享一下:




阅读更多
想对作者说点什么? 我来说一句

没有更多推荐了,返回首页