Knowledge Distillation
背景
知识蒸馏（KD）是想将复杂模型（teacher）中的dark knowledge迁移到简单模型（student）中去，一般来说，teacher具有强大的能力和表现，而student则更为紧凑。通过知识蒸馏，希望student能尽可能逼近亦或是超过teacher，从而用更少的复杂度来获得类似的预测效果。Hinton在Distilling the Knowledge in a Neural Network中首次提出了知识蒸馏的概念，通过引入teacher的软目标（soft targets）以诱导学生网络的训练。近些年来出现了许多知识蒸馏的方法，而不同的方法对于网络中需要transfer的dark knowledge的定义也各不相同。
论文
1. Do Deep Nets Really Need to be Deep? 【NIPS2014】
动机
shallow net在参数较少或者一样的情况下能否和deep net达到相近的效果？
方法
1）softmax的输入是logits、输出是probability，文中提出训练shallow net的时候使用deep net的logits作为label，Hinton称之为logit匹配。
2）训练shallow net时在logits上使用L2 Loss监督训练。
思考
1）deep net更robust，可以对一些错误样本进行矫正，使shallow net学习更容易；同时 deep net学习能力更强，可以学习一些比较难的任务，并将其转换成更加容易的soft label给小模型进行学习。
2）为什么不使用probability作为标签呢？
假如[2e-9, 4e-5, 0.9999]是softmax的三个probability，用这个作为shallow net的目标，因为各个probability之间的差异太大，容易使shallow net注意力集中在较大的probability上，忽略值较小的probability。并且不同的logits通过softmax之后可能会有相近的表达，因此差别会被缩小，如[-10, 0, 10]和[10, 20, 30]，显然模型对两者的特征表达是大不相同的。
3）logits比hard label包含更丰富的信息，其中包含deep net本身的知识提炼。
2. Distilling the Knowledge in a Neural Network【NIPS2015】（Hinton系统诠释蒸馏）
动机
ensemble模型部署代价太高，直接训练小模型效果不够
方法
该方法采用softmax层内特征匹配的策略，其本质是使用softmax的输出作为监督，但为了使得到的得分vector更soft，在softmax层加上了蒸馏温度T，使蒸馏的性能提升。
步骤：
1）在T=1训练teacher;
2）在高温下利用teacher softmax的输出概率作为soft label，与hard label进行融合来监督student，对两者的loss进行加权。
3. FITNETS：Hints for Thin Deep Nets【ICLR2015】
动机
deep是DNN主要的功效来源，之前的工作都是用较浅的网络作为student net，这篇文章的主题是如何mimic一个更深但是比较小的网络。
方法
使用的方法直觉上来讲也是直接的：既然网络很深直接训练会很困难，那就通过在中间层加入loss的方法，通过学习teacher中间层feature map来transfer中间层表达的知识，文章中把这个方法叫做Hint-based Training。
训练分为两个stage：
stage1(Hints Training): 选取teacher的中间层作为guidance，对student的中间层进行监督学习，通常两者的维度不一样，所以需要一个额外的线性矩阵或卷积层去进行维度变换，达到维度一致，然后使用L2 Loss进行监督。
stage2(Knowledge Distillation): 采用论文2中KD对整个student进行知识迁移。
结果
1）小而深的网络可以达到比teacher更好的效果，并且在参数量28分之一的前提下，效果高于论文2中的方法；
2）作者做了其他实验：通过深度监督（添加额外的中间层直接进行分类的loss）去学习一个小而深的网络，发现无法正常学习。因此作者得出结论：添加teacher中间层的特征作为student学习对象能够帮助其学习一个deeper的网络，而直接使用hard targets的分类信号去监督中间层则难以起到帮助。
4. Paying More Attention to Attention: Improving the Performance of Convolutional Neural Networks via Attention Transfer【ICLR2017】
动机
将feature map作为知识直接从teacher transfer到student过于生硬，效果不佳。因此，文章提出将attention map作为知识从teacher transfer到student，希望让student关注teacher所关注的区域。
方法
文章中attention map定义如下：
，即将feature map不同通道的feature plane取绝对值进行power操作然后相加，拉近teacher和student的attention map之间的欧式距离。attention map可以看作全激活feature map的summary，因此会比直接transfer feature map效果好。
5. A Gift from Knowledge Distillation: Fast Optimization, Network Minimization and Transfer Learning【CVPR2017】
动机
过去的知识蒸馏均是利用soft targets或者利用中间特征做hint来进行知识的transfer，本文提出:神经网络的知识在于如何解决从一个输入到输出的映射，是一个从输入到输出的一个feature flow（即层与层之间的特征关系），teacher要将这个flow transfer给student。层与层之间的特征关系更能表达一种提取的手段，让student学到这种手段更加像授人以鱼不如授人以渔。
方法
文中定义了FSP Matrix矩阵来刻画层与层之间的特征关系。具体做法是：对于具有相同分辨率的特征图，低层和高层特征图的channel两两做内积，然后将结果填入FSP Matrix对应位置。FSP Matrix计算过程：
其中，F1、F2是低层、高层特征图，h、w是特征图的长宽，i、j是低层、高层特征图的channel index，x和W是当前的输入和参数。
然后用L2 Loss去拉近teacher和student的FPS matrix之间的距离，定义如下：
文章采用resnet作为实验的backbone，对teacher和student对应的stage计算FSP Matrix，然后用L2 Loss去拉近FSP Matrix之间的距离，以达到知识迁移的目的。
6. Knowledge Distillation in Generations: More Tolerant Teachers Educate Better Students【AAAI2019】
动机
硬标签会导致模型产生过拟合现象，soft label对于模型的泛化能力有所帮助。文中指出：一个更加tolerant的teacher（即使得teacher的输出更加soft一些），尽管在一定程度上降低了teacher的精度，但能给student更高的泛化学习的宽容度，反而能带来student的提升。常用的方法有label smoothing regularization(lsr)和confidence penalty(CP)两种方法，但其缺点是考虑了所有的类。本文提出了一个更合理的方法，没有计算所有类的额外损失，而是挑选了几个具有最高置信度分数的类。
方法
1）训练teacher时，对teacher的loss加了一项约束：置信度top1和topK其余K-1个平均值之间的gap，命名为top score difference。
2）训练student时，用1）得到的teacher的soft label与hard label融合；
论文中实验在CIFAR-100和ILSVRC2012分类数据集上涨点3%~8%不等。
