JOURNAL OF MOLECULAR LIQUIDS_bert 知识蒸馏

JOURNAL OF MOLECULAR LIQUIDS_bert 知识蒸馏这片论文是Hinton在15年提出的,为了提升模型的有效性,模型的复杂度的不断增加,上线实时提供服务成了难题,而知识蒸馏的思路正好可以解决这个问题,同时模型的效果相比复杂模型也不会下降太多。论文中以生物中蝴蝶变态发育作类比介绍知识蒸馏:通过不同的形态,完成同样的使命(任务)。Hinton提出可以通过一个简单模型直接学习复杂模型的概率分布结果,如果one-hot的目标是一种hard-targets,那么这种就是一种soft-targets。一种方法是直接比较logits来避免这个问题。具体地,对于每一.

大家好,又见面了,我是你们的朋友全栈君。如果您正在找激活码,请点击查看最新教程,关注关注公众号 “全栈程序员社区” 获取激活教程,可能之前旧版本教程已经失效.最新Idea2022.1教程亲测有效,一键激活。

Jetbrains全系列IDE使用 1年只要46元 售后保障 童叟无欺

在这里插入图片描述
这篇论文是Hinton在15年提出的,为了提升模型的有效性,模型的复杂度的不断增加,上线实时提供服务成了难题,而知识蒸馏的思路正好可以解决这个问题,同时模型的效果相比复杂模型也不会下降太多。
论文中以生物中蝴蝶变态发育作类比介绍知识蒸馏:通过不同的形态,完成同样的使命(任务)。
Hinton提出可以通过一个简单模型直接学习复杂模型的概率分布结果,如果one-hot的目标是一种hard-targets,那么这种就是一种soft-targets。

一种方法是直接比较logits来避免这个问题。具体地,对于每一条数据,记原模型产生的某个logits是 v i v_i vi ,新模型产生的logits是 z i z_i zi ,我们需要最小化
1 2 ( z i − v i ) 2 (1) \frac{1}{2}(z_i-v_i)^2 \tag{1} 21(zivi)2(1)

Hinton提出了升温蒸馏的概念,温度就是其中的关键点,升温蒸馏,降温预测,完美。

其中温度T就是用来做平滑的,T越大,平滑力度越大,使得轻量模型学习时可以关注到那些概率很小的类别;T越小,则相反,T=1时,就是平常所见的概率分布。

考虑一个广义的softmax函数:
q i = e x p ( z i / T ) ∑ j e x p ( z j / T ) (2) q_i=\frac{exp(z_i/T)}{\sum_j{exp(z_j/T)}} \tag{2} qi=jexp(zj/T)exp(zi/T)(2)
可以证明,上面的logit值作为训练目标是这种方法的一种特例,总是可以通过调整T来达到。其中 T T T 是温度,这是从统计力学中的玻尔兹曼分布中借用的概念。容易证明,当温度 T T T 趋向于0时,softmax输出将收敛为一个one-hot向量;温度 T T T 趋向于无穷时,softmax的输出则更「软」。因此,在训练新模型的时候,可以使用较高的 T T T 使得softmax产生的分布足够软,这时让新模型(同样温度下)的softmax输出近似原模型;在训练结束以后再使用正常的温度 T = 1 T=1 T=1 来预测。具体地,在训练时我们需要最小化两个分布的交叉熵(Cross-entropy),记新模型利用公式 (2) 产生的分布是 q q q ,原模型产生的分布是 p p p ,则我们需要最小化

C = − p T log ⁡ q (3) C=-p^T\log q \tag{3} C=pTlogq(3)

下面计算交叉熵损失对softmax输入的梯度,由链式法则,有:
∂ C ∂ z = ∂ C ∂ q ∂ q ∂ z (4) \frac{\partial C}{\partial z}=\frac{\partial C}{\partial q} \frac{\partial q}{\partial z} \tag{4} zC=qCzq(4)

由于式(3)中的 p p p 是原模型产生的softmax输出,与 z z z 无关。
结合式(3)可得:
∂ C ∂ q i = − p i q i (5) \frac{\partial C}{\partial q_i} = -\frac{p_i}{q_i} \tag{5} qiC=qipi(5)
所以,
∂ C ∂ q = [ − p 1 q 1 − p 2 q 2 ⋮ − p n q n ] (6) \frac{\partial C}{\partial q} = \left[ \begin{matrix} -\frac{p_1}{q_1} \\ -\frac{p_2}{q_2} \\ \vdots \\ -\frac{p_n}{q_n} \end{matrix}\right] \tag{6} qC=q1p1q2p2qnpn(6)

式(4)中, ∂ q ∂ z \frac{\partial q}{\partial z} zq 是一个 n × n n \times n n×n 的方阵,分类讨论可以得到。
Z = ∑ k e x p ( z k / T ) Z=\sum_{k}exp(z_k/T) Z=kexp(zk/T),由除法的求到公式,输出 q i q_i qi 对输入 z j z_j zj 的偏导为:
∂ q i ∂ z j = 1 Z 2 ( Z ∂ e x p ( z i / T ) ∂ z j − e x p ( z i / T ) ∂ Z ∂ z j ) = 1 Z 2 ( Z ∂ e x p ( z i / T ) ∂ z j − e x p ( z i / T ) ⋅ 1 T e x p ( z j / T ) ) = 1 Z ∂ e x p ( z i / T ) ∂ z j − 1 T Z 2 e x p ( z i / T ) e x p ( z j / T ) = 1 Z ∂ e x p ( z i / T ) ∂ z j − 1 T e x p ( z i / T ) Z e x p ( z j / T ) Z = 1 Z ∂ e x p ( z i / T ) ∂ z j − 1 T q i q j (7) \begin{aligned} \frac{\partial q_i}{\partial z_j} &= \frac{1}{Z^2}(Z \frac{\partial {exp(z_i/T)}}{\partial z_j} – exp(z_i/T) \frac{\partial Z}{\partial z_j}) \\ &= \frac{1}{Z^2}(Z \frac{\partial {exp(z_i/T)}}{\partial z_j} – exp(z_i/T) \cdot \frac{1}{T}exp(z_j/T)) \\ &= \frac{1}{Z} \frac{\partial exp(z_i/T)}{\partial z_j}-\frac{1}{TZ^2}exp(z_i/T)exp(z_j/T) \\ &= \frac{1}{Z}\frac{\partial exp(z_i/T)}{\partial z_j} – \frac{1}{T}\frac{exp(z_i/T)}{Z} \frac{exp(z_j/T)}{Z} \\ &= \frac{1}{Z}\frac{\partial exp(z_i/T)}{\partial z_j} – \frac{1}{T}q_iq_j \end{aligned} \tag{7} zjqi=Z21(Zzjexp(zi/T)exp(zi/T)zjZ)=Z21(Zzjexp(zi/T)exp(zi/T)T1exp(zj/T))=Z1zjexp(zi/T)TZ21exp(zi/T)exp(zj/T)=Z1zjexp(zi/T)T1Zexp(zi/T)Zexp(zj/T)=Z1zjexp(zi/T)T1qiqj(7)
∂ e x p ( z i / T ) ∂ z j \frac{\partial exp(z_i/T)}{\partial z_j} zjexp(zi/T) 分类讨论得到:
∂ e x p ( z i / T ) ∂ z j = { 1 T e x p ( z i / T ) i = j 0 i ≠ j (8) \frac{\partial exp(z_i/T)}{\partial z_j} = \left\{ \begin{array}{rcl} \frac{1}{T}exp(z_i/T) & & {i = j} \\ 0 & & {i \neq j} \end{array} \right. \tag{8} zjexp(zi/T)={
T1exp(zi/T)0i=ji=j
(8)

将式(8)带入式(7),得到:
∂ q i ∂ z j = { 1 T ( e x p ( z i / T ) Z − q i q j ) i = j − 1 T q i q j i ≠ j = { 1 T ( q i − q i q j ) i = j − 1 T q i q j i ≠ j (9) \begin{aligned} \frac{\partial q_i}{\partial z_j} &= \left\{ \begin{array}{rcl} \frac{1}{T}(\frac{exp(z_i/T)}{Z}-q_iq_j) & & {i = j} \\ -\frac{1}{T}q_iq_j & & {i \neq j} \end{array} \right. \\ &= \left\{ \begin{array}{rcl} \frac{1}{T}(q_i-q_iq_j) & & {i = j} \\ -\frac{1}{T}q_iq_j & & {i \neq j} \end{array} \right. \end{aligned} \tag{9} zjqi={
T1(Zexp(zi/T)qiqj)T1qiqji=ji=j
={
T1(qiqiqj)T1qiqji=ji=j
(9)

所以, ∂ q ∂ z \frac{\partial q}{\partial z} zq 的形式如下:
∂ q ∂ z = 1 T [ q 1 − q 1 2 − q 1 q 2 ⋯ − q 1 q n − q 2 q 1 q 2 − q 2 2 ⋯ − q 2 q n ⋮ ⋮ ⋱ ⋮ − q n q 1 − q n q 2 ⋯ q n − q n 2 ] (10) \frac{\partial q}{\partial z}=\frac{1}{T} \left[ \begin{matrix} q_1-q_1^2 & -q_1q_2 & \cdots & -q_1q_n \\ -q_2q_1 & q_2-q_2^2 & \cdots & -q_2q_n \\ \vdots & \vdots & \ddots & \vdots \\ -q_nq_1 & -q_nq_2 & \cdots & q_n-q_n^2 \end{matrix} \right] \tag{10} zq=T1q1q12q2q1qnq1q1q2q2q22qnq2q1qnq2qnqnqn2(10)

将式(10)带入到式(4)中,得到:
∂ C ∂ z = 1 T [ q 1 − q 1 2 − q 1 q 2 ⋯ − q 1 q n − q 2 q 1 q 2 − q 2 2 ⋯ − q 2 q n ⋮ ⋮ ⋱ ⋮ − q n q 1 − q n q 2 ⋯ q n − q n 2 ] [ − p 1 q 1 − p 2 q 2 ⋮ − p n q n ] = 1 T [ − p 1 + ∑ k p k q 1 − p 2 + ∑ k p k q 2 ⋮ − p n + ∑ k p k q n ] = 1 T [ − p 1 + q 1 − p 2 + q 2 ⋮ − p n + q n ] = 1 T ( q − p ) (11) \begin{aligned} \frac{\partial C}{\partial z} &=\frac{1}{T} \left[ \begin{matrix} q_1-q_1^2 & -q_1q_2 & \cdots & -q_1q_n \\ -q_2q_1 & q_2-q_2^2 & \cdots & -q_2q_n \\ \vdots & \vdots & \ddots & \vdots \\ -q_nq_1 & -q_nq_2 & \cdots & q_n-q_n^2 \end{matrix} \right] \left[ \begin{matrix} -\frac{p_1}{q_1} \\ -\frac{p_2}{q_2} \\ \vdots \\ -\frac{p_n}{q_n} \end{matrix}\right] \\ &= \frac{1}{T} \left[\begin{matrix} -p_1+\sum_kp_kq_1 \\ -p_2+\sum_kp_kq_2 \\ \vdots \\ -p_n+\sum_kp_kq_n \end{matrix}\right] \\ &= \frac{1}{T} \left[\begin{matrix} -p_1+q_1 \\ -p_2+q_2 \\ \vdots \\ -p_n+q_n \end{matrix}\right] \\ &=\frac{1}{T}(q-p) \end{aligned} \tag{11} zC=T1q1q12q2q1qnq1q1q2q2q22qnq2q1qnq2qnqnqn2q1p1q2p2qnpn=T1p1+kpkq1p2+kpkq2pn+kpkqn=T1p1+q1p2+q2pn+qn=T1(qp)(11)

所以,有:
∂ C ∂ z i = 1 T ( q i − p i ) (12) \frac{\partial C}{\partial z_i} =\frac{1}{T}(q_i-p_i) \tag{12} ziC=T1(qipi)(12)

结合(2)式,得到:
∂ C ∂ z i = 1 T ( q i − p i ) = 1 T ( e x p ( z i / T ) ∑ j e x p ( z j / T ) − e x p ( v i / T ) ∑ j e x p ( v j / T ) ) (13) \begin{aligned} \frac{\partial C}{\partial z_i} &=\frac{1}{T}(q_i-p_i) \\ &=\frac{1}{T}(\frac{exp(z_i/T)}{\sum_j exp(z_j/T)}-\frac{exp(v_i/T)}{\sum_j exp(v_j/T)}) \end{aligned} \tag{13} ziC=T1(qipi)=T1(jexp(zj/T)exp(zi/T)jexp(vj/T)exp(vi/T))(13)

使用等价无穷小 e x − 1 ∼ x e^x-1 \sim x ex1x 作替换:
∂ C ∂ z i ≈ 1 T ( 1 + z i / T ∑ j ( 1 + z j / T ) − 1 + v i / T ∑ j ( 1 + v j / T ) ) = ( 1 + z i / T N + ∑ j z j / T − 1 + v i / T N + ∑ j v j / T ) (14) \begin{aligned} \frac{\partial C}{\partial z_i} &\approx \frac{1}{T}(\frac{1+z_i/T}{\sum_j(1+z_j/T)}-\frac{1+v_i/T}{\sum_j(1+v_j/T)}) \\ &= (\frac{1+z_i/T}{N+\sum_j{z_j/T}}- \frac{1+v_i/T}{N+\sum_j{v_j/T}}) \end{aligned} \tag{14} ziCT1(j(1+zj/T)1+zi/Tj(1+vj/T)1+vi/T)=(N+jzj/T1+zi/TN+jvj/T1+vi/T)(14)

假设所有logits对每个样本都是零均值化的,
∑ j z j = ∑ j v j = 0 (15) \sum_{j}z_j=\sum_{j}v_j=0 \tag{15} jzj=jvj=0(15)

则有,
∂ C ∂ z i ≈ 1 T ( 1 + z i / T N − 1 + v i / T N ) = 1 N T 2 ( z i − v i ) (16) \begin{aligned} \frac{\partial C}{\partial z_i} &\approx \frac{1}{T}(\frac{1+z_i/T}{N}- \frac{1+v_i/T}{N}) \\ &= \frac{1}{NT^2}(z_i-v_i) \end{aligned} \tag{16} ziCT1(N1+zi/TN1+vi/T)=NT21(zivi)(16)

所以,如果:1. T T T 非常大,2. logits对所有样本都是零均值化的,则知识蒸馏和最小化logits的平方差(公式(1))是等价的(因为梯度大致是同一个形式)。实验表明,温度 T T T 不能取太大,而应该使用某个适中的值,这表明忽略极负的logits对新模型的表现很有帮助(较低的温度产生的分布比较「硬」,倾向于忽略logits中极小的负值)。

同一个样本,用在大规模神经网络上产生的软目标来训练一个小的网络时,因为并不是直接标注的一个硬目标,学习起来会更快收敛。

更巧妙的是,这个样本我们甚至可以使用无标注的数据来训练小网络,因为大的神经网络将数据结构信息学习保存起来,小网络就可以直接从得到的soft target中来获得知识。

这个做法类似学习了样本空间嵌入(embedding)信息,从而利用空间嵌入信息学习新的网络。

随着温度上升,软目标分布更均匀

T参数是一个温度超参数,按照softmax的分布来看,随着T参数的增大,这个软目标的分布更加均匀。
在这里插入图片描述
所以:
1.首先用较大的T值来训练模型,这时候复杂的神经网络能够产生更均匀分布的软目标;
2.之后小规模的神经网络用相同的T值来学习由大规模神经产生的软目标,接近这个软目标从而学习到数据的结构分布特征;
3.最后在实际应用中,将T值恢复到1,让类别概率偏向正确类别

Reference:
https://arxiv.org/pdf/1503.02531.pdf
https://zhuanlan.zhihu.com/p/71986772
https://zhuanlan.zhihu.com/p/97522736
https://zhuanlan.zhihu.com/p/39945855
https://zhuanlan.zhihu.com/p/93287223
https://zhuanlan.zhihu.com/p/90049906

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 举报,一经查实,本站将立刻删除。

发布者:全栈程序员-用户IM,转载请注明出处:https://javaforall.cn/169743.html原文链接:https://javaforall.cn

【正版授权,激活自己账号】: Jetbrains全家桶Ide使用,1年售后保障,每天仅需1毛

【官方授权 正版激活】: 官方授权 正版激活 支持Jetbrains家族下所有IDE 使用个人JB账号...

(0)
blank

相关推荐

  • 【工作笔记】PathFileExists 返回 FALSE

    【工作笔记】PathFileExists 返回 FALSE问题描述:在参数传递正确,文件确实存在的情况下,PathFileExists偶尔返回FALSE解决思路:1、首先,由于是网络路径,所以system用户使用文件操作类函数(比如PathFileExists、GetFileAttributesEx等)时需要切token2、在切token并成功的情况下,发现依然会偶尔返回FALSE,打印错误码,有拒绝访问和文件不存在两种情况3、使用P…

  • Nginx转发ssh服务「建议收藏」

    Nginx转发ssh服务「建议收藏」一、需求当前置机需要转发内网主机的ssh端口号,方便外网直连服务器。二、nginx配置注:与events,http同级,配置stream即可events{worker_connections1024;accept_mutexon;}stream{ upstreamssh{ server10.11.4.78:22;#这里IP是虚拟机的,对应虚拟机的IP+Port } server{ listen9028;#外层通信需要的tc

    2022年10月18日
  • sift构建尺度空间_离散序列的尺度变换

    sift构建尺度空间_离散序列的尺度变换尺度空间定义  说到尺度空间理论最早可以追溯到1962年的T.Iijima最先提出,学术界开始关注尺度空间技术主要在1986年IEEEPAMI上同时刊出的4篇关于尺度空间理论的文章奠定了发展基础。现实世界中物体只有具备一定的尺度才能够倍人眼所察觉,计算机视觉学术研究就是在不断的尝试与突破来模拟人眼的观察方法。因此,尺度空间就是试图在图像领域中模拟人眼观察物体的概念与方法。例如:观察一颗树,关…

    2022年10月14日
  • idea在线激活码(JetBrains全家桶)

    (idea在线激活码)2021最新分享一个能用的的激活码出来,希望能帮到需要激活的朋友。目前这个是能用的,但是用的人多了之后也会失效,会不定时更新的,大家持续关注此网站~IntelliJ2021最新激活注册码,破解教程可免费永久激活,亲测有效,下面是详细链接哦~https://javaforall.cn/100143.html…

  • 安装cocoapods遇到error: RPC failed; curl 56 SSLRead() return error -36问题

    安装cocoapods遇到error: RPC failed; curl 56 SSLRead() return error -36问题

  • vuejs环境搭建_vue搭建论坛

    vuejs环境搭建_vue搭建论坛前端框架vue开放环境搭建

发表回复

您的电子邮箱地址不会被公开。

关注全栈程序员社区公众号