AAAI 2023 | 动态温度超参蒸馏新方法

论文题目：<Curriculum Temperature for Knowledge Distillation> (AAAI 2023)

论文地址：https://arxiv.org/abs/2211.16231

开源代码：https://github.com/zhengli97/CTKD （欢迎star）

一句话概括：

相对于静态温度超参蒸馏，本文提出了简单且高效的动态温度超参蒸馏新方法。

背景问题：

目前已有的蒸馏方法中，都会采用带有温度超参的KL Divergence Loss进行计算，从而在教师模型和学生模型之间进行蒸馏，公式如下：

其中, 温度超参 的大小控制了两个预测结果 和 的平滑程度, 决定了两个概率分布间的距离, 越大( , 就会使得概率分布越平滑(soft), 越小 , 越接近0, 会使得概率分布越尖锐(sharp)。τ的大小影响着蒸馏中学生模型学习的难度，不同的τ会产生不同的蒸馏结果。

而现有工作普遍的方式都是采用固定的温度超参，一般会设定成4。

那么这就带来了两个问题：

1. 不同的教师学生模型在KD过程中最优超参不一定是4。如果要找到这个最佳超参，需要进行暴力搜索，会带来大量的计算，整个过程非常低效。

2. 一直保持静态固定的温度超参对学生模型来说不是最优的。基于课程学习的思想，人类在学习过程中都是由简单到困难的学习知识。那么在蒸馏的过程中，我们也会希望模型一开始蒸馏是让学生容易学习的，然后难度再增加。难度是一直动态变化的。

于是一个自然而然的想法就冒了出来：

在蒸馏任务里，能不能让网络自己学习一个适合的动态温度超参进行蒸馏，并且参考课程学习，形成一个蒸馏难度由易到难的情况？

于是我们就提出了CTKD来实现这个想法。

方法：

既然温度超参τ可以在蒸馏里决定两个分布之间的KL Divergence，进而影响模型的学习，那我们就可以通过让网络自动学习一个合适的τ来达到以上的目的。

于是以上具体问题就直接可以转化成以下的核心思想：

在蒸馏过程里，学生网络被训练去最小化KL loss的情况下，τ作为一个可学习的参数，要被训练去最大化KL loss，从而发挥对抗(Adversarial)的作用，增加训练的难度。随着训练的进行，对抗的作用要不断增加，达到课程学习的效果。

以上的实现可以直接利用一个非常简单的操作：利用梯度反向层GRL (Gradient Reversal Layer)来去反向可学习超参τ的梯度，就可以非常直接达到对抗的效果，同时随着训练的进行，不断增加反向梯度的权重λ，进而增加学习的难度。

CTKD的论文的结构图如下：

CTKD方法可以简单分为左右两个部分：

1. 对抗温度超参τ的学习部分。

这里只包含两个小模块，一个是梯度反向层GRL，用于反向经过温度超参τ的梯度，另一个是可学习超参温度τ。

其中对于温度超参τ，有两种实现方式，第一种是全局方案 (Global Temperature)，只会产生一个τ，代码实现非常简单，就一句话：

self.global_T = nn.Parameter(torch.ones(1), requires_grad=True)

第二种是实例级别方案(Instance-wise Temperature)，即对每个单独的样本都产生一个τ，也就是对于一个batch中128个sample，那么就生成对应128个τ。代码实现也很简单，就是两层conv组成的MLP。

两种方案的对比图如Fig.2所示。

2. 难度逐渐增加的课程学习部分。

随着训练的进行，不断增加GRL的权重λ，达到增加学习难度的效果。

在论文的实现里，我们直接采用Cos的方式，让反向权重λ从0增加到1。

以上就是CTKD的全部实现，非常的简单有效。

总结一下方法：CTKD总共包含两个模块，梯度反向层GRL和温度预测模块，

CTKD方法可以作为即插即用的插件应用在现有的SOTA的蒸馏方法中，取得广泛的提升。

实验结果

三个数据集：CIFAR-100，ImageNet和MS-COCO。

CIFAR-100上，CTKD的实验结果：

作为一个即插即用的插件，应用在已有的SOTA方法上：

在ImageNet上的实验：

在MS-COCO的detection实验上：

温度超参的整体学习过程可视化：

由以上图可以看到，CTKD整体的动态学习τ的过程。

将CTKD应用在多种现有的蒸馏方案上，可以取得广泛的提升效果。

欢迎大家试用~

公众号后台回复“2022盘点”即可获取2022年32篇AI热点论文PDF资源包