第一章 综述

知识蒸馏的目的是将大模型变成小模型，将小模型部署到移动终端设备上。

1.轻量化网络

2.知识的表示与迁移

hard targets和soft targets：

显然， soft targets包含更多的“知识”和“信息”， 像谁， 不像谁， 有多像，有多不像， 特别是非正确类别概率的相对大小（驴和车）。

3.蒸馏温度T

把比较硬的soft targets变得更软，信息暴漏的更明显

例如：

第二章 知识蒸馏

1.过程

教师网络进行预训练，生成soft labels，学生网络可能训练，也可能没有训练，生成了预测的soft predictions， 将教师网络的labels和学生的predictions做一个Loss， 同时学生网络也会生成一个hard prediction，它与真实标签的hard label做一个Loss（如上上图所示）。

2.实验结果

3.知识蒸馏的应用场景

模型压缩

优化训练，防止过拟合（潜在的正则化）

无限大、无监督数据集的数据挖掘

少样本、零样本学习

4.迁移学习和知识蒸馏

迁移学习指的是领域之间的迁移，例如将猫狗的识别迁移到医学图像的识别上去；知识蒸馏指的是模型之间的蒸馏。

第三章 知识蒸馏发展趋势