ECCV 2022 | 新方案: 先剪枝再蒸餾_CV技術指南

前言論文提出了一個新的框架，“prune, then distill”，該框架首先剪枝模型，使其更具可移植性，然後提取給student。並進一步從理論上證明了剪枝後的teacher在蒸餾中起到正則化器的作用，減少了泛化誤差。
在此基礎上，還提出了一種新的神經網路壓縮方案，其中student網路是基於剪枝後的teacher，然後應用“prune, then distill”策略。

歡迎關注公眾號CV技術指南，專注於計算機視覺的技術總結、最新技術跟蹤、經典論文解讀、CV招聘資訊。目前公眾號正在徵稿中，可以獲取對應的稿費哦。

QQ交流群: 444129970。群內有大佬負責解答大家的日常學習、科研、程式碼問題。

論文：https://arxiv.org/pdf/2109.14960.pdf

程式碼：https://github.com/ososos888/prune-then-distill

創新思路

神經網路壓縮技術受到越來越多的關注，如知識蒸餾和剪枝。知識蒸餾(KD)是一種模型壓縮工具，它將特徵從一個繁瑣的網路轉移到一個較小的網路。最近，一系列研究提出了專注於“student友好型”teacher的蒸餾方案，這種teacher在有限的容量下向student網路提供更多可轉移的知識。

網路剪枝是另一種網路壓縮技術，它可以有效地去除網路的權值或神經元，同時保持準確性。由於剪枝簡化了神經網路，剪枝後的teacher提供的知識對student友好，更容易轉移。但引發了一個主要問題:剪枝能夠提高知識蒸餾的效能嗎?

為了回答這個問題，本文提出了一個新的框架，“prune, then distill”，包括三個步驟:

1)訓練teacher網路；

2)剪枝teacher網路；

3)提取剪枝後的網路到更小的student網路。

知識蒸餾可以看作是一種標籤平滑正則化(LSR)，它通過提供更平滑的標籤來正則化訓練。作者發現，經過正則化訓練的teacher比原來的teacher提供了一個更平滑的標籤。這意味著，正則化的teacher的蒸餾等價於標籤更平滑的LSR。由於剪枝可以看作是一個正則化的模型，具有一個稀疏誘導正則化器，得出剪枝後的teacher正則化了蒸餾過程。

在此基礎上，作者提出了一種新的網路壓縮方案。當提供了一個麻煩的網路時，通過應用“prune, then distill”策略來壓縮網路。然而，由於蒸餾將知識轉移到給定的student網路，因此，作者提出了一種深度相同但神經元數量較少的student網路，使每層的權值數量與相應層中剪枝後的網路的非零權值數量匹配。

本文的主要貢獻

1.提出了一個新的框架，“prune, then distill”，在提取之前先剪枝teacher網路。

2.通過實驗驗證了teacher的非結構化剪枝可以提高知識提取的表現。

3.提供了一個理論分析，一個剪枝的teacher的蒸餾是一個有效的標籤平滑正則化與更平滑的標籤。

4.提出了一種新的網路壓縮方法，在剪枝teacher的基礎上構建student網路，然後應用“prune, then distill”策略。

方法

prune, then distill

探索性實驗

作者通過實驗來驗證剪枝後的teacher在KD方面的有效性。沒有直接提取teacher網路(圖1中藍色點的方塊)，而是先(非結構化)對teacher網路進行剪枝，然後提取到student網路(圖1中紅色點的方塊)。

圖1:“prune, then distill”策略。

採用非結構化剪枝，去除更多的權值，更精確的LR 復卷，來剪枝teacher模型。

實驗的目的不是獲得最佳的測試精度，而是比較從剪枝過的網路中提取和從未剪枝過的網路中提取。如表1所示，經過剪枝的VGG19的VGG11始終優於未剪枝的teacher的VGG11。表1還給出了teacher網路為VGG19DBL。在這兩種情況下，剪枝過的teacher表現得更好。

表1:CIF AR100上VGG19到VGG11的知識提取，teacher剪枝。

自我蒸餾:作者進行了自我蒸餾實驗，teacher和student共享相同的模型。

表2顯示了

1)沒有KD的模型，

2)從未剪枝的teacher那裡學習到的模型，

3)從剪枝過的teacher那裡學習到的模型的測試精度。

表2:對VGG19和ResNet18進行teacher剪枝的自蒸餾。

與其他實驗類似，作者也觀察到與沒有teacher的網路相比，從未經剪枝的網路中學習也增加了測試的準確性，然而，經過剪枝的teacher的收穫更顯著。

作者還研究了當student和teacher擁有不同的網路架構時，剪枝後的teacher的KD。

表3比較了

1)沒有teacher的student，

2)從未經修飾的teacher那裡學習的student

3)從經過修飾的teacher那裡學習的student的測試準確率。

表3。從ResNet18提取到MobileNetV2和VGG16，並進行teacher剪枝。

觀察到，當teacher被剪枝時，KD的表現會更好。這意味著更好的提取並不侷限於teacher和student網路之間的類似架構。然而，teacher網路的精度越高，並不能保證蒸餾的結果越好。此外，即使在測試準確性低於未受過訓練的teacher時，受過訓練的teacher也能發揮更好的作用。這意味著，剪枝過的teacher更好，不是因為它有更高的準確性，而是因為它提供了更好的可轉移知識。

另外，作者還觀察到一致性和準確性表現獨立。例如，在VGG19自蒸餾實驗中，剪枝後的teacher提供了更高的一致性，對應的student提供了更高的準確性;而在ResNet18自我蒸餾中，儘管student的準確率更高，但經過剪枝的teacher的一致性較低。這意味著一些student模仿teacher模仿得更好，但表現得更差。這一結果說明蒸餾間接地幫助訓練student模型與額外的正則化。

剪枝後的teacher作為正則化器

使用正則化器訓練的teacher在蒸餾過程中提供了額外的正則化。

最小交叉熵損失為：

知識蒸餾損失為：

正則化teacher ft通過最小化得到：

由於LCE(wt) = minw LCE(w)，則有：

這意味著

剪枝可被視為具有稀疏性誘導正則化的經驗風險最小化問題的解決方案。因此，從剪枝的teacher中提取的是具有更平滑的標籤分佈的標籤平滑正則化，這減少了泛化誤差。

傳遞稀疏性知識

基於剪枝teacher傳遞更好知識的觀察，本文提出了一種新的網路壓縮框架，該框架從（非結構化）剪枝網路中學習。關鍵的挑戰是student網路體系結構設計，以有效地從剪枝過的teacher網路那學習。

student網路設計的關鍵思想是，經過剪枝的teacher也可以提供稀疏的知識。作者構造了一個較窄的student，其中每一層都與剪枝後的teacher的相應層相匹配。student網路具有相同的深度，但每層的通道數量減少，使得權重的數量（近似）等於剪枝後的teacher中剩餘引數的數量（如圖2所示）。