NYU & Google: 知识蒸馏无处不在，但它真的有用吗？

导师: 小伟，听说你对知识蒸馏比较了解，你来给我说说知识蒸馏有什么用？
我: 知识蒸馏是一种很典型的模型压缩的方法，我们可以用它来有效地从大型教师模型学习小型学生模型，并且学生模型的性能也很不错。
导师: 那它既然叫知识蒸馏，你怎么知道学生模型是不是真的充分学到了教师模型的知识呢？
我: 这不简单嘛，学生模型的效果好不就说明学到充足的知识了。
导师:一看你就不关心最新的学术进展，天天是不是忙着吃鸡了！最近NYU和Google联合发了一篇文章，仔细探索了知识蒸馏中学生模型的精度和蒸馏效果之间的关系，快去读一读!
我: 好嘞~

论文标题:
Does Knowledge Distillation Really Work?

论文地址:
https://arxiv.org/pdf/2106.05945

随着自然语言处理进入了预训练模型的时代，模型的规模也在极速增长，GPT-3甚至有1750亿参数。如何在资源有限的情况下部署使用这些庞大的模型是一个很大的挑战。

目前知识蒸馏在解决这一问题中的方法中占据了重要的地位。我们可以通过知识蒸馏来学习容易使用的小型学生模型，但是它真的可以起到蒸馏教师模型知识的效果吗？在这篇文章中，作者对这一问题进行了详细的探索与解答，下面我们就来一探究竟。

概要

尽管目前有很多知识蒸馏相关的研究，但它们主要集中于如何提高学生模型的泛化性(generalization)，往往忽视了学生模型的预测和教师模型的预测的匹配程度(fidelity)，我们可以简单称之为学生模型的匹配度。相比泛化性，匹配度更好的反映了学生模型蒸馏到了多少教师模型含有的知识。

本文对这两种概念做了详细的解释与区分，并且指出获得良好的匹配度对学生模型来说往往是很困难的。

基于此现象，作者探索了两种可能导致这种困难的原因:

• Identifiability: 蒸馏数据不够充足，所以在训练数据上学生-教师预测可以匹配并不意味着在测试数据上也可以匹配。
• Optimization: 我们不能很好地解决蒸馏优化问题，所以不管是在训练数据还是测试数据上，学生模型的匹配度都比较低。

为什么需要匹配度？

之前的研究已经揭示了知识蒸馏通常会提高学生模型的泛化能力，所以我们为什么还要关心学生模型的匹配度呢？

• 首先是学生模型的泛化性能和教师模型的泛化性能往往有比较大的差距，提高匹配度是消除学生和教师泛化性能差异最显而易见的方法。
• 其次良好的学生模型匹配度可以提高知识蒸馏的可解释性与可信赖性。
• 最后，将匹配度和泛化性解耦可以帮助更好的理解知识蒸馏是怎么工作的以及如何在各种应用程序中更好的利用它

学生模型的匹配度高吗？

作者使用3个ResNet-56网络的集成来作为教师模型，使用单个的ResNet-56网络来作为学生模型进行知识蒸馏。

如Figure 1(b)显示，学生模型和教师模型的预测之前有着显著的差距(Low Test Agreement)，也就是低匹配度。

导致低匹配度的原因

学生模型的匹配度比较差，是什么原因导致的呢？

作者给出了两个可能的原因，并进行了相应的探索与验证。

首先可能是蒸馏数据不够充足

作者设计实验探索了在蒸馏过程中使用不同的数据增强策略是否可以提高学生模型的匹配度。

如Figure 3所示，实验结果证明虽然数据增强在缩小学生-教师模型预测差距上是有用的，但它带来的改进很小，所以蒸馏数据不足不是导致低匹配度的主要原因。

既然蒸馏数据数量不足不是主要原因，那么会不会是蒸馏数据的分布偏移导致的呢？

作者同样设计了实验来验证这一猜想。Figure 4中的实验结果显示调整蒸馏数据的分布可以带来微小的改进，这也证明了数据的错误选择不是导致低匹配度的主要原因。

其次可能是蒸馏过程中的优化有问题

既然数据不够充足或者分布有偏移不是主要原因，那么会不会是因为学生模型本来就没有充分的学习训练集，导致即使是在训练数据上学生-教师预测的差异都很大呢？

为了验证这一猜想，作者使用ResNet-56以及CIFAR-100设计了简单的蒸馏实验。

如Figure 5所示，当使用广泛的数据增强策略时，即使是在训练集上，学生模型的匹配度也会比较低。这印证了我们的猜想，学生模型没有充分的学习训练数据。

那么为什么即使是在训练集上，学生-教师模型预测的匹配度都很低呢？原因其实很简单，知识蒸馏的优化会收敛于次优解，从而导致低匹配度。

总结

作者总结了本文的关键发现:

• 学生模型的泛化性能(generalization)和匹配度(fidelity)的变化趋势并不一致
• 学生模型的匹配度(fidelity)和蒸馏的校准(calibration)有很大的关联
• 知识蒸馏过程中的优化是很困难的，这也是导致低匹配度的主要原因
• 蒸馏优化的复杂度以及蒸馏数据的质量之间存在均衡(trade-off)

Final Question

现在回到我们最开始的问题，知识蒸馏真的有用吗？

毫无疑问，它是有用的，因为它通常可以提高学生模型的泛化性能；同时它也是没用的，因为它总是将很有限的知识从教师传递到学生，这与它的名字知识蒸馏相去甚远。所以我们是不是可以改称它为knowledge enhancement？

小伙伴，你们怎么看呢？

最后的最后，

导师: 小伙子不错啊，论文读得又快又精准，这周的Reading Group就交给你了。
我: 呜呜呜，又是我，滚去读论文了~

如果觉得有用，就请分享到朋友圈吧！