Keras 實(shí)戰(zhàn)系列之知識(shí)蒸餾（Knowledge Distilling）
前言
深度學(xué)習(xí)在這兩年的發(fā)展可謂是突飛猛進(jìn)，為了提升模型性能，模型的參數(shù)量變得越來越多，模型自身也變得越來越大。在圖像領(lǐng)域中基于Resnet的卷積神經(jīng)網(wǎng)絡(luò)模型，不斷延伸著網(wǎng)絡(luò)深度。而在自然語言處理領(lǐng)域（NLP）領(lǐng)域，BERT，GPT等超大模型的誕生也緊隨其后。這些巨型模型在準(zhǔn)確性上大部分時(shí)候都吊打其他一眾小參數(shù)量模型，可是它們?cè)诓渴痣A段，往往需要占用巨大內(nèi)存資源，同時(shí)運(yùn)行起來也極其耗時(shí)，這與工業(yè)界對(duì)模型吃資源少，低延時(shí)的要求完全背道而馳。所以很多在學(xué)術(shù)界呼風(fēng)喚雨的強(qiáng)大模型在企業(yè)的運(yùn)用過程中卻沒有那么順風(fēng)順?biāo)?/p>
知識(shí)蒸餾
為解決上述問題，我們需要將參數(shù)量巨大的模型，壓縮成小參數(shù)量模型，這樣就可以在不失精度的情況下，使得模型占用資源少，運(yùn)行快，所以如何將這些大模型壓縮，同時(shí)保持住頂尖的準(zhǔn)確率，成了學(xué)術(shù)界一個(gè)專門的研究領(lǐng)域。2015年Geoffrey Hinton 發(fā)表的Distilling the Knowledge in a Neural Network的論文中提出了知識(shí)蒸餾技術(shù)，就是為了解決模型壓而生的。至于文章的細(xì)節(jié)這里博主不做過多介紹，想了解的同學(xué)們可以好好研讀原文。不過這篇文章的主要思想就如下方圖片所示：用一個(gè)老師模型（大參數(shù)模型）去教一個(gè)學(xué)生模型（小參數(shù)模型），在實(shí)做上就是用讓學(xué)生模型去學(xué)習(xí)已經(jīng)在目標(biāo)數(shù)據(jù)集上訓(xùn)練過的老師模型。盡管學(xué)生模型最終依然達(dá)不到老師模型的準(zhǔn)確性，但是被老師教過的學(xué)生模型會(huì)比自己?jiǎn)为?dú)訓(xùn)練的學(xué)生模型更加強(qiáng)大。
這里大家可能會(huì)產(chǎn)生疑惑，為什么讓學(xué)生模型去學(xué)習(xí)目標(biāo)數(shù)據(jù)集會(huì)比被老師模型教出來的差。產(chǎn)生這種結(jié)果可能原因是因?yàn)?strong>老師模型的輸出提供了比目標(biāo)數(shù)據(jù)集更加豐富的信息，如下圖所示，老師模型的輸出，不僅提供了輸入圖片上的數(shù)字是數(shù)字1的信息，而且還附帶著數(shù)字1和數(shù)字7和9比較像等額外信息。
知識(shí)蒸餾
?
知識(shí)蒸餾具體流程
接下來博主介紹一下知識(shí)蒸餾在實(shí)做上的具體流程。
（1）定義一個(gè)參數(shù)量較大（強(qiáng)大的）的老師模型，和一個(gè)參數(shù)量較?。ㄈ跣〉模┑膶W(xué)生模型，
（2）讓老師模型在目標(biāo)數(shù)據(jù)集上訓(xùn)練到最佳，
（3）將目標(biāo)數(shù)據(jù)的label替換成老師模型最后一個(gè)全連接層的輸出，讓學(xué)生模型學(xué)習(xí)老師模型的輸出，希望學(xué)生模型的輸出和老師模型輸出之間的交叉熵越小越好。
了解到知識(shí)蒸餾的具體步驟之后，我們采用keras在mnist數(shù)據(jù)集上進(jìn)行一次簡(jiǎn)單的實(shí)驗(yàn)。
知識(shí)蒸餾實(shí)戰(zhàn)
包導(dǎo)入
導(dǎo)入一下必要的python 包，同時(shí)載入數(shù)據(jù)。
?
from keras.datasets import mnist
from keras.layers import *
from keras import Model
from sklearn.metrics import accuracy_score
import numpy as np
(data_train,label_train),(data_test,label_test )= mnist.load_data()
data_train = np.expand_dims(data_train,axis=3)
data_test = np.expand_dims(data_test,axis=3)
定義老師模型和學(xué)生模型
在下方代碼中，博主定義了一個(gè)包含3層卷積層的CNN模型作為老師模型（參數(shù)量6萬），定義了一個(gè)包含512個(gè)神經(jīng)元的全連接層作為學(xué)生模型（參數(shù)量4萬，比老師模型少了2萬）。
?
#####定義老師模型——包含三層卷積層的CNN模型
def teacher_model():
input_ = Input(shape=(28,28,1))
x = Conv2D(32,(3,3),padding = "same")(input_)
x = Activation("relu")(x)
print(x)
x = MaxPool2D((2,2))(x)
x = Conv2D(64,(3,3),padding= "same")(x)
x = Activation("relu")(x)
x = MaxPool2D((2,2))(x)
x = Conv2D(64,(3,3),padding= "same")(x)
x = Activation("relu")(x)
x = MaxPool2D((2,2))(x)
x = Flatten()(x)
out = Dense(10,activation = "softmax")(x)
model = Model(inputs=input_,outputs=out)
model.compile(loss="sparse_categorical_crossentropy",
optimizer="adam",
metrics=["accuracy"])
model.summary()
return model
###定義學(xué)生模型——— 一層含512個(gè)神經(jīng)元的全連接層
def student_model():
input_ = Input(shape=(28,28,1))
x = Flatten()(input_)
x = Dense(512,activation="sigmoid")(x)
out = Dense(10,activation = "softmax")(x)
model = Model(inputs=input_,outputs=out)
model.compile(loss="sparse_categorical_crossentropy",
optimizer="adam",
metrics=["accuracy"])
model.summary()
return model
訓(xùn)練老師模型
接下來開始訓(xùn)練老師模型，由于mnist數(shù)據(jù)集較為簡(jiǎn)單，在三層的CNN模型上，我設(shè)定只訓(xùn)練2個(gè)epoch。這里需要注意的是，如下圖所示：三層卷積的CNN的有6萬多個(gè)參數(shù)。
?
t_model = teacher_model()
t_model.fit(data_train,label_train,batch_size=64,epochs=2,validation_data=(data_test,label_test))
teacher model
?
訓(xùn)練結(jié)果如下圖所示：兩個(gè)epoch，CNN模型就在測(cè)試集上做到了98%的準(zhǔn)確性。
?
teacher result
訓(xùn)練學(xué)生模型
在512個(gè)神經(jīng)元的全連接層上訓(xùn)練mnist數(shù)據(jù)集，學(xué)生模型的參數(shù)量如下圖所示：參數(shù)量只有4萬個(gè)，參數(shù)量比老師模型少了2萬個(gè)
?
s_model = student_model()
s_model.fit(data_train,label_train,batch_size=64,epochs=10,validation_data=(data_test,label_test))
student model
?
在學(xué)生模型上訓(xùn)練了10個(gè)epoch之后，測(cè)試機(jī)準(zhǔn)確率最高也才達(dá)到0.9460，遠(yuǎn)低于CNN老師模型的0.98
?
student result
老師模型教學(xué)生模型
最后我們用老師模型教學(xué)生模型，進(jìn)行知識(shí)蒸餾。
首先我們采用下方代碼將目標(biāo)數(shù)據(jù)集的label替換成老師模型的輸出。
?
t_out = t_model.predict(data_train)
然后用學(xué)生模型去學(xué)習(xí)老師模型的輸出。
?
def teach_student(teacher_out, student_model,data_train,data_test,label_test):
t_out = teacher_out
s_model = student_model
for l in s_model.layers:
l.trainable = True
label_test = keras.utils.to_categorical(label_test)
model = Model(s_model.input,s_model.output)
model.compile(loss="categorical_crossentropy",
optimizer="adam")
model.fit(data_train,t_out,batch_size= 64,epochs = 5)
s_predict = np.argmax(model.predict(data_test),axis=1)
s_label = np.argmax(label_test,axis=1)
print(accuracy_score(s_predict,s_label))
最終得到的實(shí)驗(yàn)結(jié)果如下圖所示：學(xué)生模型的性能提升到了0.9511，相比于學(xué)生模型在目標(biāo)數(shù)據(jù)集上的最好成績(jī)0.9460提升了千分之6個(gè)點(diǎn)。這也證明我們知識(shí)蒸餾確實(shí)起作用了。
?
result of student model after being taught
結(jié)語
當(dāng)然我們也發(fā)現(xiàn)，我們的實(shí)驗(yàn)提升的幅度并不大，離老師模型的準(zhǔn)確度還有巨大的差距，而要想優(yōu)化知識(shí)蒸餾的性能，我們可以采取升溫技術(shù)，升溫技術(shù)的原理圖如下圖所示：將老師模型的輸出在softmax激活函數(shù)之前初上一個(gè)數(shù)值大于1的數(shù)字T，這樣會(huì)使得老師模型輸出的個(gè)類別概率值變得較為接近。
升溫技術(shù)
?
確實(shí)升溫技術(shù)的主要目的就是將老師模型輸出的各類型的概率，變得較為接近，這樣老師模型的輸出信息將變得更加豐富，得學(xué)生模型學(xué)會(huì)分辨出個(gè)類別之間細(xì)微的區(qū)別。當(dāng)然知識(shí)蒸餾的優(yōu)化方法并不只上述的升溫技術(shù)這一種，這里博主只是拋磚引玉，知識(shí)蒸餾還有更多的奧秘等著大家去探索，去學(xué)習(xí)。希望讀者能夠有所收獲的同時(shí)，心中的好奇心也能夠被激發(fā)，主動(dòng)的學(xué)習(xí)知識(shí)蒸餾這門技術(shù)。
Python“寶藏級(jí)”公眾號(hào)【Python之王】專注于Python領(lǐng)域，會(huì)爬蟲，數(shù)分，C++，tensorflow和Pytorch等等。
近 2年共原創(chuàng) 100+ 篇技術(shù)文章。創(chuàng)作的精品文章系列有：
日常收集整理了一批不錯(cuò)的?Python?學(xué)習(xí)資料，有需要的小伙可以自行免費(fèi)領(lǐng)取。
獲取方式如下：公眾號(hào)回復(fù)資料。領(lǐng)取Python等系列筆記，項(xiàng)目，書籍，直接套上模板就可以用了。資料包含算法、python、算法小抄、力扣刷題手冊(cè)和 C++ 等學(xué)習(xí)資料！
??