CN110837761A - 多模型知识蒸馏方法及装置、电子设备和存储介质 - Google Patents
多模型知识蒸馏方法及装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN110837761A CN110837761A CN201810940904.0A CN201810940904A CN110837761A CN 110837761 A CN110837761 A CN 110837761A CN 201810940904 A CN201810940904 A CN 201810940904A CN 110837761 A CN110837761 A CN 110837761A
- Authority
- CN
- China
- Prior art keywords
- model
- sub
- feature
- output
- student
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- Human Computer Interaction (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本公开涉及一种多模型知识蒸馏方法及装置、电子设备和存储介质,所述方法包括:提取训练图像的特征得到训练数据;将所述训练数据输入教师模型所包括的多个子模型进行运算,根据所述多个子模型输出的子特征得到所述教师模型输出的第一特征;将所述训练数据输入学生模型进行运算,得到所述学生模型输出的第二特征;根据所述第一特征和所述第二特征确定所述学生模型的损失函数;根据所述损失函数对所述学生模型进行反向传播。本公开实施例利用教师模型中的多个子模型,可以得到训练数据中的不同特征表示,学生模型可以利用知识蒸馏的方式学习到教师模型中的特征,克服单个模型表达能力有限的问题,提高学生模型的模型精度。
Description
技术领域
本公开涉及机器学习技术领域,尤其涉及一种多模型知识蒸馏方法及装置、电子设备和存储介质。
背景技术
在机器学习技术领域,需要利用较大型的神经网络执行复杂的任务。但较大型的神经网络,在训练阶段和实际使用阶段,均需要所耗费较长的时间、占用较多的资源。例如较大型的神经网络,在前期特征的提取阶段需要较长的时间才能完成,效率较低。
发明内容
本公开提出了一种多模型知识蒸馏技术方案。
根据本公开的一方面,提供了一种多模型知识蒸馏方法,包括:
提取训练图像的特征得到训练数据;
将所述训练数据输入教师模型所包括的多个子模型进行运算,根据所述多个子模型输出的子特征得到所述教师模型输出的第一特征;
将所述训练数据输入学生模型进行运算,得到所述学生模型输出的第二特征;
根据所述第一特征和所述第二特征确定所述学生模型的损失函数;
根据所述损失函数对所述学生模型进行反向传播。
在一种可能的实现方式中,所述教师模型包括多个不同类型的子模型。
在一种可能的实现方式中,根据所述多个子模型输出的子特征得到所述教师模型输出的第一特征,包括:
将所述多个子模型输出的子特征进行拼接,得到所述第一特征。
在一种可能的实现方式中,根据所述多个子模型输出的子特征得到所述教师模型输出的第一特征,包括:
将目标子模型输出的子特征,与所述目标子模型的权值相乘,得到所述目标子模型的加权子特征,所述目标子模型为任一所述子模型;
根据各所述子模型的加权子特征得到所述第一特征。
在一种可能的实现方式中,所述第二特征的维度与所述第一特征的维度相同。
在一种可能的实现方式中,根据所述第一特征和所述第二特征确定所述学生模型的损失函数,包括:
根据所述第一特征、所述第二特征和所述训练数据的实际标识,确定所述学生模型的损失函数。
根据本公开的一方面,提供了一种多模型知识蒸馏装置,所述装置包括:
训练数据获取模块,用于提取训练图像的特征得到训练数据;
第一特征获取模块,用于将所述训练数据输入教师模型所包括的多个子模型进行运算,根据所述多个子模型输出的子特征得到所述教师模型输出的第一特征;
第二特征获取模块,用于将所述训练数据输入学生模型进行运算,得到所述学生模型输出的第二特征;
损失函数获取模块,用于根据所述第一特征和所述第二特征确定所述学生模型的损失函数;
反向传播模块,用于根据所述损失函数对所述学生模型进行反向传播。
在一种可能的实现方式中,所述教师模型包括多个不同类型的子模型。
在一种可能的实现方式中,所述第一特征获取模块,包括:
拼接子模块,用于将所述多个子模型输出的子特征进行拼接,得到所述第一特征。
在一种可能的实现方式中,所述第一特征获取模块,包括:
加权子模块,用于将目标子模型输出的子特征,与所述目标子模型的权值相乘,得到所述目标子模型的加权子特征,所述目标子模型为任一所述子模型;
第一特征获取子模块,用于根据各所述子模型的加权子特征得到所述第一特征。
在一种可能的实现方式中,所述第二特征的维度与所述第一特征的维度相同。
在一种可能的实现方式中,所述损失函数获取模块,包括:
第一损失函数获取子模块,用于根据所述第一特征、所述第二特征和所述训练数据的实际标识,确定所述学生模型的损失函数。
根据本公开的一方面,提供了一种电子设备,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:执行上述多模型知识蒸馏方法。
根据本公开的一方面,提供了一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述多模型知识蒸馏方法。
在本公开实施例中,可以提取样本图像的特征得到训练数据,可以将训练数据输入教师模型中的多个子模型,得到教师模型输出的第一特征以及学生模型输出的第二特征,可以根据第一特征和第二特征确定损失函数,并根据确定出的损失函数对学生模型进行反向传播,完成学生模型的训练。利用教师模型中的多个子模型,可以得到训练数据中的不同特征表示,学生模型可以利用知识蒸馏的方式学习到教师模型中的特征,克服单个模型表达能力有限的问题,提高学生模型的模型精度。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,而非限制本公开。
根据下面参考附图对示例性实施例的详细说明,本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,这些附图示出了符合本公开的实施例,并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开实施例的多模型知识蒸馏方法的流程图;
图2示出根据本公开实施例的多模型知识蒸馏方法的流程图;
图3示出根据本公开实施例的多模型知识蒸馏方法的示意图;
图4示出根据本公开实施例的多模型知识蒸馏装置的框图;
图5示出根据本公开实施例的多模型知识蒸馏装置的框图;
图6是根据一示例性实施例示出的一种电子设备的框图;
图7是根据一示例性实施例示出的一种电子设备的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合,例如,包括A、B、C中的至少一种,可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外,为了更好的说明本公开,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本公开同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本公开的主旨。
图1示出根据本公开实施例的多模型知识蒸馏方法的流程图,如图1所示,所述多模型知识蒸馏方法包括:
步骤S10,提取训练图像的特征得到训练数据。
在一种可能的实现方式中,教师模型可以为复杂且推理性能好的模型,学生模型可以为精简且低复杂度的模型。通过将与教师模型相关的目标作为损失函数的一部分,可以使得学生模型在训练过程中学习到教师模型中的特征,实现从教师模型到学生模型的知识蒸馏。
在一种可能的实现方式中,训练图像可以包括RGB图像(Red Green Blue,红绿蓝)各种类型的图像。可以获取训练图像的集合,提取各训练图像的特征,并将提取到的特征确定为训练数据。可以根据需求确定需要在训练图像中提取的特征。
例如,可以在自动驾驶的车辆中设置拍摄装置,拍摄车辆行驶时的外部环境得到视频流,可以将视频流中的帧图像作为训练图像。可以根据训练图像提取行人的特征,并根据提取到的特征对行人进行检测。可以利用检测结果(行人)对车辆进行安全提示或对车辆进行自动驾驶。也可以将在路面设置的监控摄像头拍摄的图像作为训练图像,利用训练图像提取车辆或行人的特征,并根据提取到的车辆或行人的特征检测车辆或行人,进行路面安全信息提示。本公开不限定训练图像的来源和具体内容。
在一种可能的实现方式中,行人之间可能存在年龄和性别差别,不同的行人有不同的行走习惯,行人在行走可能同时进行打电话等多种动作,提取的行人的特征数量越多,行人的检测结果就越准确。可以利用教师模型提取到行人的复杂特征,并蒸馏至学生模型。使得学生模型可以利用精简的网络模型,和学习到的行人的复杂特征,得到更加精准的行人检测结果。
步骤S20,将所述训练数据输入教师模型所包括的多个子模型进行运算,根据所述多个子模型输出的子特征得到所述教师模型输出的第一特征。
在一种可能的实现方式中,可以将教师模型利用训练数据训练完毕后,将训练数据输入训练好的教师模型,并将训练数据输入学生模型,利用教师模型的输出和学生模型的输出确定损失函数,利用损失函数对学生模型进行训练。在本公开实施例中,教师模型可以包括多个子模型。可以将训练数据输入教师模型中的多个子模型,得到多个子模型输出的子特征。
在一种可能的实现方式中,所述教师模型包括多个不同类型的子模型。可以根据需求确定教师模型中子模型的数量和类型。例如,子模型可以为resnet(深度残差网络)模型、inception模型等,(其中inception模型可以在增加模型的深度和宽度的同时减少参数)。将训练数据输入不同的子模型,可以得到子模型输出的不同子特征,不同的子特征可以是对于训练数据的不同特征表示。
在一种可能的实现方式中,例如,当教师模型用于进行行人检测时,教师模型中不同类型的子模型,可以表达行人的不同特征,也可以在行人的不同特征表达上有不同的准确率。例如,子模型1可以在行人的动作特征表示方面的准确率较高,子模型2可以在行人的衣着等外部特征表示方面的准确率较高。教师模型可以利用子模型输出的子特征,得到行人的更加全面的特征表示,和/或得到行人的更加准确的特征标识。也能使得知识蒸馏后的学生模型能够学习到各子模型的特征,得到更加准确的行人检测结果。
在一种可能的实现方式中,根据所述多个子模型输出的子特征得到所述教师模型输出的第一特征,包括:
将所述多个子模型输出的子特征进行拼接,得到所述第一特征。
在一种可能的实现方式中,可以将多个子模型输出的子特征进行拼接,得到教师模型输出的第一模型。例如,教师模型包括三个子模型,其中子模型1输出的子特征为向量1,子模型2输出的子特征为向量2,子模型3输出的子特征为向量3。将三个子模型输出的子特征拼接后,可以得到教师模型输出的第一特征为(向量1,向量2,向量3)。
在一种可能的实现方式中,还可以将子模型输出的子特征按照设定条件进行筛选,得到符合设定条件的子特征,并根据筛选后的子特征得到第一特征。例如,可以筛选出特征值大于等于阈值的子特征,用于得到第一特征。本公开不限定根据子特征得到第一特征的具体实现方式。
步骤S30,将所述训练数据输入学生模型进行运算,得到所述学生模型输出的第二特征。
在一种可能的实现方式中,步骤S20和步骤S30可以同时执行,也可以按照任意的先后顺序执行。
在一种可能的实现方式中,学生模型的计算速率可以大于教师模型中的任一子模型。学生模型的模型规模可以小于教师模型中的任一子模型。例如,子模型中的层数可以少于任一子模型中的层数。本公开不限定子模型的类型和结构。
在一种可能的实现方式中,可以将与输入教师模型的相同的训练数据,输入学生模型,并将学生模型输出的特征确定为第二特征。
在一种可能的实现方式中,所述第二特征的维度与所述第一特征的维度相同。第二特征的维度与第一特征的维度相同,可以使得学生模型能够更完整、准确地学习到教师模型的特征表达。
步骤S40,根据所述第一特征和所述第二特征确定所述学生模型的损失函数。
在一种可能的实现方式中,可以根据第一特征T(x)和第二特征S(x)确定学生模型的损失函数。可以利用L2损失函数确定学生模型的损失函数。例如,第一特征为T(x),第二特征为S(x),则损失函数L=||T(x)-S(x)||2。本公开不限定损失函数的具体实现方式。
步骤S50,根据所述损失函数对所述学生模型进行反向传播。
在一种可能的实现方式中,可以根据损失函数,对学生模型进行一次反向传播,完成训练学生模型的一次迭代计算。可以将训练数据继续输入反向传播后的学生模型和教师模型,再根据教师模型输出的第一特征和学生模型输出的第二特征,再次确定损失函数后进行下一次迭代计算。直至满足设定的收敛条件,完成学生模型的训练。
在一种可能的实现方式中,教师模型中多个子模型输出的子特征,可以具有不同的特征表示。利用教师模型对学生模型进行训练,可以将教师模型中多个子模型中的特征蒸馏至学生模型,以使学生模型学习到教师模型中的特征。
在本实施例中,可以提取样本图像的特征得到训练数据,可以将训练数据输入教师模型中的多个子模型,得到教师模型输出的第一特征以及学生模型输出的第二特征,可以根据第一特征和第二特征确定损失函数,并根据确定出的损失函数对学生模型进行反向传播,完成学生模型的训练。利用教师模型中的多个子模型,可以得到训练数据中的不同特征表示,学生模型可以利用知识蒸馏的方式学习到教师模型中的特征,克服单个模型表达能力有限的问题,提高学生模型的模型精度。
图2示出根据本公开实施例的多模型知识蒸馏方法的流程图,如图2所示,所述多模型知识蒸馏方法中步骤S20,包括:
步骤S21,将目标子模型输出的子特征,与所述目标子模型的权值相乘,得到所述目标子模型的加权子特征,所述目标子模型为任一所述子模型。
步骤S22,根据各所述子模型的加权子特征得到所述第一特征。
在一种可能的实现方式中,可以为不同的子模型确定不同的权值。可以在教师模型训练完成后,将测试数据输入各子模型,根据各子模型输出的子特征和预设权值相乘后,得到第一特征。可以根据第一特征与测试数据的实际标识之间的差值,确定是否将预设权值确定为各子模型的权值。可以在多个预设权值中确定各子模型的权值。
在一种可能的实现方式中,在完成教师模型的训练后,可以提取测试图像的特征作为测试数据。预设权值可以包括多组预设权值,其中每组预设权值中包括各子模型的预设权值。可以将测试数据输入教师模型后,利用各子模型输出的子特征与各组预设权值中与之对应的权值相乘后,得到与各组预设权值对应的第一特征。可以根据与各组预设权值对应的第一特征,和测试数据的实际标识之间的差值,选择表现最好的一组预设权值,确定为各子模型的权值。
在一种可能的实现方式中,例如,教师模型中包括两个子模型,子模型1输出到子特征为:f1(x),子模型2输出到子特征为:f2(x)。确定子模型1的权值为α,子模型2的权值为β。则第一特征为T(x)为:T(x)=[α*f1(x),β*f2(x)],其中[,]表示将两个子模型输出的子特征进行拼接。
在本实施例中,将目标子模型输出的子特征,与所述目标子模型的权值相乘,得到所述目标子模型的加权子特征。可以根据各子模型的加权子特征拼接得到教师模型的第一特征。子模型的权值可以根据需求进行调整,使得各子模型的特征表示在第一特征中得到更加突出的表达。
在一种可能的实现方式中,根据所述第一特征和所述第二特征确定所述学生模型的损失函数,包括:
根据所述第一特征、所述第二特征和所述训练数据的实际标识,确定所述学生模型的损失函数。
在一种可能的实现方式中,在确定学生模型的损失函数时,可以将训练数据的实际标识也计算在内,使得训练完成的学生模型更加接近训练数据的实际使用需求。
在本实施例中,根据所述第一特征、所述第二特征和所述训练数据的实际标识,确定所述学生模型的损失函数。考虑训练数据的实际标识的损失函数,能够使得训练完成的学生模型更加精准。
应用示例:
图3示出根据本公开实施例的多模型知识蒸馏方法的示意图,如图3所示,多模型知识蒸馏方法可以包括:
可以将在训练图像中提取到的特征作为训练数据。例如可以将包括行人的图像作为训练图像,在训练图像中提取行人的特征,作为训练数据。
可以将训练数据输入教师模型中的子模型,教师模型中包括n个子模型。各子模型可以用于提取不同的行人的特征。子模型1输出的子特征为f1(x),权值为α;子模型2输出的子特征为f2(x),权值为β;子模型n输出的子特征为fn(x),权值为γ。可以将各子模型输出的子特征进行拼接后,得到教师模型输出的第一特征T(x),T(x)=[α*f1(x),β*f2(x),γ*fn(x)]。
可以将训练数据输入学生模型进行运算,得到学生模型输出的第二特征S(x)。
可以根据第一特征T(x)和第二特征S(x),计算损失函数L,L=||T(x)-S(x)||2。
可以利用损失函数L对学生模型进行反向传播,完成学生模型的训练,以及完成教师模型到学生模型的知识蒸馏。学生模型可以利用简洁的网络结构,根据学习到的复杂特征得到更加准确的行人的检测结果。
图4示出根据本公开实施例的多模型知识蒸馏装置的框图,如图4所示,所述多模型知识蒸馏装置,包括:
训练数据获取模块10,用于提取训练图像的特征得到训练数据。
第一特征获取模块20,用于将所述训练数据输入教师模型所包括的多个子模型进行运算,根据所述多个子模型输出的子特征得到所述教师模型输出的第一特征。
第二特征获取模块30,用于将所述训练数据输入学生模型进行运算,得到所述学生模型输出的第二特征。
损失函数获取模块40,用于根据所述第一特征和所述第二特征确定所述学生模型的损失函数。
反向传播模块50,用于根据所述损失函数对所述学生模型进行反向传播。
图5示出根据本公开实施例的多模型知识蒸馏装置的框图,如图5所示,在一种可能的实现方式中,所述教师模型包括多个不同类型的子模型。
在一种可能的实现方式中,所述第一特征获取模块20,包括:
拼接子模块21,用于将所述多个子模型输出的子特征进行拼接,得到所述第一特征。
在一种可能的实现方式中,所述第一特征获取模块20,包括:
加权子模块22,用于将目标子模型输出的子特征,与所述目标子模型的权值相乘,得到所述目标子模型的加权子特征,所述目标子模型为任一所述子模型;
第一特征获取子模块23,用于根据各所述子模型的加权子特征得到所述第一特征。
在一种可能的实现方式中,所述第二特征的维度与所述第一特征的维度相同。
在一种可能的实现方式中,所述损失函数获取模块40,包括:
第一损失函数获取子模块41,用于根据所述第一特征、所述第二特征和所述训练数据的实际标识,确定所述学生模型的损失函数。
可以理解,本公开提及的上述各个方法实施例,在不违背原理逻辑的情况下,均可以彼此相互结合形成结合后的实施例,限于篇幅,本公开不再赘述。
此外,本公开还提供了多模型知识蒸馏装置、电子设备、计算机可读存储介质、程序,上述均可用来实现本公开提供的任一种多模型知识蒸馏方法,相应技术方案和描述和参见方法部分的相应记载,不再赘述。
本领域技术人员可以理解,在具体实施方式的上述方法中,各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定,各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
在一些实施例中,本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法,其具体实现可以参照上文方法实施例的描述,为了简洁,这里不再赘述
本公开实施例还提出一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为上述方法。
电子设备可以被提供为终端、服务器或其它形态的设备。
图6是根据一示例性实施例示出的一种电子设备800的框图。例如,电子设备800可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等终端。
参照图6,电子设备800可以包括以下一个或多个组件:处理组件802,存储器804,电源组件806,多媒体组件808,音频组件810,输入/输出(I/O)的接口812,传感器组件814,以及通信组件816。
处理组件802通常控制电子设备800的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件802可以包括一个或多个模块,便于处理组件802和其他组件之间的交互。例如,处理组件802可以包括多媒体模块,以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统,一个或多个电源,及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如,音频组件810包括一个麦克风(MIC),当电子设备800处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中,音频组件810还包括一个扬声器,用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口,上述外围接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器,用于为电子设备800提供各个方面的状态评估。例如,传感器组件814可以检测到电子设备800的打开/关闭状态,组件的相对定位,例如所述组件为电子设备800的显示器和小键盘,传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变,用户与电子设备800接触的存在或不存在,电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件814还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。在一个示例性实施例中,通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件816还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器804,上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图7是根据一示例性实施例示出的一种电子设备1900的框图。例如,电子设备1900可以被提供为一服务器。参照图7,电子设备1900包括处理组件1922,其进一步包括一个或多个处理器,以及由存储器1932所代表的存储器资源,用于存储可由处理组件1922的执行的指令,例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件1922被配置为执行指令,以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理,一个有线或无线网络接口1950被配置为将电子设备1900连接到网络,和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM或类似。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器1932,上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (10)
1.一种多模型知识蒸馏方法,其特征在于,所述方法包括:
提取训练图像的特征得到训练数据;
将所述训练数据输入教师模型所包括的多个子模型进行运算,根据所述多个子模型输出的子特征得到所述教师模型输出的第一特征;
将所述训练数据输入学生模型进行运算,得到所述学生模型输出的第二特征;
根据所述第一特征和所述第二特征确定所述学生模型的损失函数;
根据所述损失函数对所述学生模型进行反向传播。
2.根据权利要求1所述的方法,其特征在于,所述教师模型包括多个不同类型的子模型。
3.根据权利要求1或2所述的方法,其特征在于,根据所述多个子模型输出的子特征得到所述教师模型输出的第一特征,包括:
将所述多个子模型输出的子特征进行拼接,得到所述第一特征。
4.根据权利要求1至3中任一项所述的方法,其特征在于,根据所述多个子模型输出的子特征得到所述教师模型输出的第一特征,包括:
将目标子模型输出的子特征,与所述目标子模型的权值相乘,得到所述目标子模型的加权子特征,所述目标子模型为任一所述子模型;
根据各所述子模型的加权子特征得到所述第一特征。
5.一种多模型知识蒸馏装置,其特征在于,所述装置包括:
训练数据获取模块,用于提取训练图像的特征得到训练数据;
第一特征获取模块,用于将所述训练数据输入教师模型所包括的多个子模型进行运算,根据所述多个子模型输出的子特征得到所述教师模型输出的第一特征;
第二特征获取模块,用于将所述训练数据输入学生模型进行运算,得到所述学生模型输出的第二特征;
损失函数获取模块,用于根据所述第一特征和所述第二特征确定所述学生模型的损失函数;
反向传播模块,用于根据所述损失函数对所述学生模型进行反向传播。
6.根据权利要求5所述的装置,其特征在于,所述教师模型包括多个不同类型的子模型。
7.根据权利要求5或6所述的装置,其特征在于,所述第一特征获取模块,包括:
拼接子模块,用于将所述多个子模型输出的子特征进行拼接,得到所述第一特征。
8.根据权利要求5至7中任一项所述的装置,其特征在于,所述第一特征获取模块,包括:
加权子模块,用于将目标子模型输出的子特征,与所述目标子模型的权值相乘,得到所述目标子模型的加权子特征,所述目标子模型为任一所述子模型;
第一特征获取子模块,用于根据各所述子模型的加权子特征得到所述第一特征。
9.一种电子设备,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:执行权利要求1至4中任意一项所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,所述计算机程序指令被处理器执行时实现权利要求1至4中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810940904.0A CN110837761B (zh) | 2018-08-17 | 2018-08-17 | 多模型知识蒸馏方法及装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810940904.0A CN110837761B (zh) | 2018-08-17 | 2018-08-17 | 多模型知识蒸馏方法及装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110837761A true CN110837761A (zh) | 2020-02-25 |
CN110837761B CN110837761B (zh) | 2023-04-07 |
Family
ID=69573599
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810940904.0A Active CN110837761B (zh) | 2018-08-17 | 2018-08-17 | 多模型知识蒸馏方法及装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110837761B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111506702A (zh) * | 2020-03-25 | 2020-08-07 | 北京万里红科技股份有限公司 | 基于知识蒸馏的语言模型训练方法、文本分类方法及装置 |
CN111639744A (zh) * | 2020-04-15 | 2020-09-08 | 北京迈格威科技有限公司 | 学生模型的训练方法、装置及电子设备 |
CN111640425A (zh) * | 2020-05-22 | 2020-09-08 | 北京百度网讯科技有限公司 | 一种模型训练和意图识别方法、装置、设备及存储介质 |
CN111695699A (zh) * | 2020-06-12 | 2020-09-22 | 北京百度网讯科技有限公司 | 用于模型蒸馏的方法、装置、电子设备及可读存储介质 |
CN112560631A (zh) * | 2020-12-09 | 2021-03-26 | 昆明理工大学 | 一种基于知识蒸馏的行人重识别方法 |
CN112699678A (zh) * | 2021-03-24 | 2021-04-23 | 达而观数据(成都)有限公司 | 一种结合动态词汇增强的模型蒸馏方法 |
CN113360777A (zh) * | 2021-08-06 | 2021-09-07 | 北京达佳互联信息技术有限公司 | 内容推荐模型训练方法、内容推荐方法及相关设备 |
CN113837308A (zh) * | 2021-09-29 | 2021-12-24 | 北京百度网讯科技有限公司 | 基于知识蒸馏的模型训练方法、装置、电子设备 |
CN113920540A (zh) * | 2021-11-04 | 2022-01-11 | 厦门市美亚柏科信息股份有限公司 | 基于知识蒸馏的行人重识别方法、装置、设备及存储介质 |
CN116306868A (zh) * | 2023-03-01 | 2023-06-23 | 支付宝(杭州)信息技术有限公司 | 一种模型的处理方法、装置及设备 |
CN116416500A (zh) * | 2023-03-24 | 2023-07-11 | 北京百度网讯科技有限公司 | 图像识别模型训练方法、图像识别方法、装置及电子设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106548190A (zh) * | 2015-09-18 | 2017-03-29 | 三星电子株式会社 | 模型训练方法和设备以及数据识别方法 |
CN107995428A (zh) * | 2017-12-21 | 2018-05-04 | 广东欧珀移动通信有限公司 | 图像处理方法、装置及存储介质和移动终端 |
-
2018
- 2018-08-17 CN CN201810940904.0A patent/CN110837761B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106548190A (zh) * | 2015-09-18 | 2017-03-29 | 三星电子株式会社 | 模型训练方法和设备以及数据识别方法 |
CN107995428A (zh) * | 2017-12-21 | 2018-05-04 | 广东欧珀移动通信有限公司 | 图像处理方法、装置及存储介质和移动终端 |
Non-Patent Citations (1)
Title |
---|
ADRIANA ROMERO ET AL.: ""FITNETS: HINTS FOR THIN DEEP NETS"", 《ICLR 2015》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111506702A (zh) * | 2020-03-25 | 2020-08-07 | 北京万里红科技股份有限公司 | 基于知识蒸馏的语言模型训练方法、文本分类方法及装置 |
CN111639744A (zh) * | 2020-04-15 | 2020-09-08 | 北京迈格威科技有限公司 | 学生模型的训练方法、装置及电子设备 |
CN111639744B (zh) * | 2020-04-15 | 2023-09-22 | 北京迈格威科技有限公司 | 学生模型的训练方法、装置及电子设备 |
CN111640425B (zh) * | 2020-05-22 | 2023-08-15 | 北京百度网讯科技有限公司 | 一种模型训练和意图识别方法、装置、设备及存储介质 |
CN111640425A (zh) * | 2020-05-22 | 2020-09-08 | 北京百度网讯科技有限公司 | 一种模型训练和意图识别方法、装置、设备及存储介质 |
CN111695699A (zh) * | 2020-06-12 | 2020-09-22 | 北京百度网讯科技有限公司 | 用于模型蒸馏的方法、装置、电子设备及可读存储介质 |
CN111695699B (zh) * | 2020-06-12 | 2023-09-08 | 北京百度网讯科技有限公司 | 用于模型蒸馏的方法、装置、电子设备及可读存储介质 |
CN112560631A (zh) * | 2020-12-09 | 2021-03-26 | 昆明理工大学 | 一种基于知识蒸馏的行人重识别方法 |
CN112699678A (zh) * | 2021-03-24 | 2021-04-23 | 达而观数据(成都)有限公司 | 一种结合动态词汇增强的模型蒸馏方法 |
CN113360777B (zh) * | 2021-08-06 | 2021-12-07 | 北京达佳互联信息技术有限公司 | 内容推荐模型训练方法、内容推荐方法及相关设备 |
CN113360777A (zh) * | 2021-08-06 | 2021-09-07 | 北京达佳互联信息技术有限公司 | 内容推荐模型训练方法、内容推荐方法及相关设备 |
CN113837308A (zh) * | 2021-09-29 | 2021-12-24 | 北京百度网讯科技有限公司 | 基于知识蒸馏的模型训练方法、装置、电子设备 |
CN113920540A (zh) * | 2021-11-04 | 2022-01-11 | 厦门市美亚柏科信息股份有限公司 | 基于知识蒸馏的行人重识别方法、装置、设备及存储介质 |
CN116306868A (zh) * | 2023-03-01 | 2023-06-23 | 支付宝(杭州)信息技术有限公司 | 一种模型的处理方法、装置及设备 |
CN116306868B (zh) * | 2023-03-01 | 2024-01-05 | 支付宝(杭州)信息技术有限公司 | 一种模型的处理方法、装置及设备 |
CN116416500A (zh) * | 2023-03-24 | 2023-07-11 | 北京百度网讯科技有限公司 | 图像识别模型训练方法、图像识别方法、装置及电子设备 |
CN116416500B (zh) * | 2023-03-24 | 2024-04-05 | 北京百度网讯科技有限公司 | 图像识别模型训练方法、图像识别方法、装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN110837761B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110837761B (zh) | 多模型知识蒸馏方法及装置、电子设备和存储介质 | |
CN110210535B (zh) | 神经网络训练方法及装置以及图像处理方法及装置 | |
CN110647834B (zh) | 人脸和人手关联检测方法及装置、电子设备和存储介质 | |
CN109919300B (zh) | 神经网络训练方法及装置以及图像处理方法及装置 | |
CN109543537B (zh) | 重识别模型增量训练方法及装置、电子设备和存储介质 | |
CN110909815B (zh) | 神经网络训练、图像处理方法、装置及电子设备 | |
CN107944409B (zh) | 能够区分关键动作的视频分析方法及装置 | |
CN110598504B (zh) | 图像识别方法及装置、电子设备和存储介质 | |
CN109165738B (zh) | 神经网络模型的优化方法及装置、电子设备和存储介质 | |
CN113538517A (zh) | 目标追踪方法及装置、电子设备和存储介质 | |
CN110458218B (zh) | 图像分类方法及装置、分类网络训练方法及装置 | |
CN110399841B (zh) | 一种视频分类方法、装置及电子设备 | |
CN109858614B (zh) | 神经网络训练方法及装置、电子设备和存储介质 | |
US11314965B2 (en) | Method and apparatus for positioning face feature points | |
CN109145970B (zh) | 基于图像的问答处理方法和装置、电子设备及存储介质 | |
CN110659690B (zh) | 神经网络的构建方法及装置、电子设备和存储介质 | |
CN112001364A (zh) | 图像识别方法及装置、电子设备和存储介质 | |
CN111242303A (zh) | 网络训练方法及装置、图像处理方法及装置 | |
CN109903252B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN110633715B (zh) | 图像处理方法、网络训练方法及装置、和电子设备 | |
CN109447258B (zh) | 神经网络模型的优化方法及装置、电子设备和存储介质 | |
CN111435422B (zh) | 动作识别方法、控制方法及装置、电子设备和存储介质 | |
CN112559673A (zh) | 语言处理模型的训练方法及装置、电子设备及存储介质 | |
CN113052874B (zh) | 目标跟踪方法及装置、电子设备和存储介质 | |
CN109635926B (zh) | 用于神经网络的注意力特征获取方法、装置及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |