CN112561059B - 用于模型蒸馏的方法和装置 - Google Patents
用于模型蒸馏的方法和装置 Download PDFInfo
- Publication number
- CN112561059B CN112561059B CN202011473800.7A CN202011473800A CN112561059B CN 112561059 B CN112561059 B CN 112561059B CN 202011473800 A CN202011473800 A CN 202011473800A CN 112561059 B CN112561059 B CN 112561059B
- Authority
- CN
- China
- Prior art keywords
- center
- model
- student
- teacher
- feature
- 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.)
- Active
Links
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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了用于模型蒸馏的方法和装置,涉及人工智能技术领域,具体涉及深度学习和计算机视觉技术领域。具体实施方式包括:利用教师模型和学生模型,得到教师模型对应的特征和学生模型对应的特征;确定教师模型对应教师类别中心,并确定学生模型对应的学生类别中心;利用教师类别中心,监督与教师类别中心的类别相同的学生类别中心,得到训练后模型。本申请可以通过教师模型的特征中心,对学生模型的特征中心进行监督,以丰富模型的蒸馏方式。同时,可以提高蒸馏后的模型对不同类别目标的检测精度和检测速度。进一步地,有助于降低执行设备的延时,减少内存等计算资源的占用和消耗。
Description
技术领域
本申请涉及人工智能技术领域,具体涉及深度学习和计算机视觉技术领域,尤其涉及用于模型蒸馏的方法和装置。
背景技术
模型蒸馏技术是采用一个已经训练好的教师模型,监督学生模型进行训练的过程。教师模型通常具有某种预测能力,比如针对某一种目标有很强的预测能力。举例来说,可以是针对人脸的检测能力,或者针对特殊形状的检测能力等等。
这样,通过模型的蒸馏可以让学生模型具有教师模型的预测功能。因此,模型蒸馏技术是一种常用的模型压缩方法。
发明内容
提供了一种用于模型蒸馏的方法、装置、电子设备以及存储介质。
根据第一方面,提供了一种用于模型蒸馏的方法,包括:利用教师模型和学生模型,提取目标图像的特征,得到教师模型对应的特征和学生模型对应的特征;根据教师模型对应的特征中各个类别的特征的特征中心,确定教师类别中心,并根据学生模型对应的特征中各个类别的特征的特征中心,确定学生类别中心;利用教师类别中心,监督与教师类别中心的类别相同的学生类别中心,以训练学生模型,得到训练后模型。
根据第二方面,提供了一种用于模型蒸馏的装置,包括:提取单元,被配置成利用教师模型和学生模型,提取目标图像的特征,得到教师模型对应的特征和学生模型对应的特征;确定单元,被配置成根据教师模型对应的特征中各个类别的特征的特征中心,确定教师类别中心,并根据学生模型对应的特征中各个类别的特征的特征中心,确定学生类别中心;训练单元,被配置成利用教师类别中心,监督与教师类别中心的类别相同的学生类别中心,以训练学生模型,得到训练后模型。
根据第三方面,提供了一种电子设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如用于模型蒸馏的方法中任一实施例的方法。
根据第四方面,提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如用于模型蒸馏的方法中任一实施例的方法。
根据第五方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现如用于模型蒸馏的方法中任一实施例的方法。
根据本申请的方案,可以通过教师模型的特征中心,对学生模型的特征中心进行监督,以丰富模型的蒸馏方式。同时,分别对不同类别进行有针对性的监督,可以让蒸馏后的学生模型对各类目标有准确的预测能力,从而提高蒸馏后的模型对不同类别目标的检测精度和检测速度。进一步地,有助于降低执行设备的延时,减少内存等计算资源的占用和消耗。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本申请一些实施例可以应用于其中的示例性系统架构图;
图2是根据本申请的用于模型蒸馏的方法的一个实施例的流程图;
图3是根据本申请的用于模型蒸馏的方法的一个应用场景的示意图;
图4是根据本申请的用于模型蒸馏的方法的又一个实施例的流程图;
图5是根据本申请的用于模型蒸馏的装置的一个实施例的结构示意图;
图6是用来实现本申请实施例的用于模型蒸馏的方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的用于模型蒸馏的方法或用于模型蒸馏的装置的实施例的示例性系统架构100。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如视频类应用、直播应用、即时通信工具、邮箱客户端、社交平台软件等。
这里的终端设备101、102、103可以是硬件,也可以是软件。当终端设备101、102、103为硬件时,可以是具有显示屏的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时,可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的多个软件或软件模块),也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103提供支持的后台服务器。后台服务器可以对接收到的目标图像等数据进行分析等处理,并将处理结果(例如训练后模型)反馈给终端设备。
需要说明的是,本申请实施例所提供的用于模型蒸馏的方法可以由服务器105或者终端设备101、102、103执行,相应地,用于模型蒸馏的装置可以设置于服务器105或者终端设备101、102、103中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2,示出了根据本申请的用于模型蒸馏的方法的一个实施例的流程200。该用于模型蒸馏的方法,包括以下步骤:
步骤201,利用教师模型和学生模型,提取目标图像的特征,得到教师模型对应的特征和学生模型对应的特征。
在本实施例中,用于模型蒸馏的方法运行于其上的执行主体(例如图1所示的服务器或终端设备)可以利用教师模型和学生模型,提取目标图像的特征,从而提取到教师模型对应的特征和学生模型对应的特征。这里的目标图像可以是单个图像,也可以是一批(batch)图像。这里的教师模型和学生模型均是深度神经网络,比如卷积神经网络或残差神经网络。本申请中的教师模型的参数数量可以大于学生模型的参数数量。
步骤202,根据教师模型对应的特征中各个类别的特征的特征中心,确定教师类别中心,并根据学生模型对应的特征中各个类别的特征的特征中心,确定学生类别中心。
在本实施例中,上述执行主体可以将教师模型对应的特征中各个类别的特征的特征中心,确定出教师类别中心,并根据学生模型对应的特征中各个类别的特征的特征中心,确定出学生类别中心。具体地,上述执行主体可以采用各种方式确定教师类别中心,比如,上述执行主体可以直接将教师模型对应的特征中各个类别的特征的特征中心,作为教师类别中心。上述执行主体可以采用各种方式确定学生类别中心,比如,上述执行主体可以直接将学生模型对应的特征中各个类别的特征的特征中心,作为学生类别中心。
在实践中,这里的类别指图像中不同的目标类别,比如包括男人类别和女人类别,或者ID编号X的人指示的类别和ID编号Y的人指示的类别。
步骤203,利用教师类别中心监督与教师类别中心的类别相同的学生类别中心,以训练学生模型,得到训练后模型。
在本实施例中,上述执行主体可以利用教师类别中心,监督与之类别相同的学生类别中心,以实现对学生模型的训练,训练的结果为训练后模型。具体地,上述执行主体可以将同一类别的教师类别中心和学生类别中心,分别作为真实值和预测值输入预设的损失函数,得到损失值,并利用该损失值训练学生模型。
本申请的上述实施例提供的方法可以通过教师模型的特征中心,对学生模型的特征中心进行监督,以丰富模型的蒸馏方式。同时,分别对不同类别进行有针对性的监督,可以让蒸馏后的学生模型对各类目标有准确的预测能力,从而提高蒸馏后的模型对不同类别目标的检测精度和检测速度。进一步地,有助于降低执行设备的延时,减少内存等计算资源的占用和消耗。
在本实施例的一些可选的实现方式中,目标图像为用于训练学生模型的训练样本集合中的一批图像;步骤202可以包括:对于教师模型对应的特征的各个类别中的类别,确定该类别的特征的特征中心作为第一特征中心;利用第一特征中心,更新教师模型对应的、该类别的特征中心,根据更新结果确定该类别的教师类别中心,其中,教师模型对应的特征中心为利用教师模型对训练样本集合中的至少一批图像所确定的特征中心。
在这些可选的实现方式中,上述执行主体可以对于教师模型对应的特征中各个类别中的类别(比如每个类别),确定该类别的特征的特征中心,得到第一特征中心。并利用该特征中心,对教师模型对应的该类别的特征中心进行更新。在实践中,上述执行主体可以采用各种方式对类别中心进行更新,比如,上述执行主体可以直接将确定的特征中心作为该类别的特征中心。
上述执行主体可以采用各种方式根据更新结果确定教师类别中心,比如直接将更新结果确定为该类别的教师类别中心,或者将该更新结果输入预设模型,并将预设模型输出的结果作为教师类别中心。
这些实现方式可以实现特征中心的更新,从而确保准确的监督过程。
在这些实现方式的一些可选的应用场景中,利用第一特征中心,更新教师模型对应的、该类别的特征中心,根据更新结果确定该类别的教师类别中心,可以包括:获取与教师模型对应的、该类别的当前的特征中心;确定第一特征中心与该当前的特征中心之间的平均值,根据该平均值确定该类别的教师类别中心。
在这些可选的应用场景中,上述执行主体可以获取与教师模型对应的、该类别的当前的特征中心。并对于与教师模型对应的、该类别的第一特征中心和当前特征中心取平均值,将该平均值作为教师类别中心。这里的当前的特征中心,指在获取特征中心的当时,在曾经确定出的所有特征中心中最后确定出的特征中心,该特征中心是利用所有参与确定教师模型的该类别的特征中心的特征确定出的。每次确定出一批图像的特征,都可以利用这一批图像的特征,更新特征中心。
这些应用场景可以通过确定当前的特征中心与第一特征中心之间的平均值,及时调整教师模型的每一个类别的特征中心,从而可以利用调整后的特征中心,实现更准确的蒸馏。
在本实施例的一些可选的实现方式中,步骤203可以包括:通过第一损失函数,确定学生类别中心和教师类别中心之间的损失值,并通过第二损失函数,确定学生模型对应的特征和教师模型对应的特征之间的损失值,利用所确定的损失值训练学生模型,其中,第一损失函数为相对熵损失函数。
在这些可选的实现方式中,上述执行主体可以将学生类别中心作为学生模型的预测值,将教师类别中心作为学生模型的真实值,并将这两者输入第一损失函数,以得到损失值。这里的第一损失函数可以是相对熵损失函数,也即KL散度损失函数。
上述执行主体还可以利用特征确定另一个损失值。具体地,上述执行主体可以将学生模型对应的特征作为预测值,并将教师模型对应的特征作为真实值,将这两者输入第二损失函数,以得到另一个损失值。这里的第二损失函数可以指各种损失函数,比如二范数(L2)损失函数。
这些实现方式可以加入特征的损失值,以采用模型的多个参数进行蒸馏,从而有助于蒸馏出更准确的学生模型。并且,利用相对熵损失函数,可以实现更准确的监督。
继续参见图3,图3是根据本实施例的用于模型蒸馏的方法的应用场景的一个示意图。在图3的应用场景中,执行主体301利用教师模型302和学生模型303,提取目标图像的特征,得到教师模型对应的特征304和学生模型对应的特征305。执行主体301根据教师模型对应的特征中各个类别的特征的特征中心,确定教师类别中心306,并根据学生模型对应的特征中各个类别的特征的特征中心,确定学生类别中心307。执行主体301利用教师类别中心306,监督与教师类别中心的类别相同的学生类别中心307,以训练学生模型,得到训练后模型308。
进一步参考图4,其示出了用于模型蒸馏的方法的又一个实施例的流程400。该流程400,包括以下步骤:
步骤401,利用教师模型和学生模型,提取目标图像的特征,得到教师模型对应的特征和学生模型对应的特征。
在本实施例中,用于模型蒸馏的方法运行于其上的执行主体(例如图1所示的服务器或终端设备)可以利用教师模型和学生模型,提取目标图像的特征,从而提取到教师模型对应的特征和学生模型对应的特征。这里的目标图像可以是单个图像,也可以是一批(batch)图像。这里的教师模型和学生模型均是深度神经网络,比如卷积神经网络或残差神经网络。
步骤402,根据教师模型对应的特征中各个类别的特征的特征中心,确定教师类别中心,并对于学生模型对应的特征的各个类别中的类别,确定该类别的特征的特征中心作为第二特征中心。
在本实施例中,目标图像为用于训练学生模型的训练样本集合中的一批图像。上述执行主体可以对于学生模型对应的特征中各个类别中的类别(比如每个类别),确定该类别的特征的特征中心,得到第二特征中心。
步骤403,利用第二特征中心,更新学生模型对应的、该类别的特征中心,根据更新结果确定该类别的学生类别中心,其中,学生模型对应的特征中心为利用学生模型对训练样本集合中的至少一批图像所确定的特征中心。
在本实施例中,上述执行主体可以利用该特征中心,对学生模型对应的该类别的特征中心进行更新。在实践中,上述执行主体可以采用各种方式对类别中心进行更新,比如,上述执行主体可以直接将确定的特征中心作为该类别的特征中心。
上述执行主体可以采用各种方式根据更新结果确定学生类别中心,比如直接将更新结果确定为该类别的学生类别中心,或者将该更新结果输入指定模型,并将指定模型输出的结果作为学生类别中心。
步骤404,利用教师类别中心监督与教师类别中心的类别相同的学生类别中心,以训练学生模型,得到训练后模型。
在本实施例中,上述执行主体可以利用教师类别中心,监督与之类别相同的学生类别中心,以实现对学生模型的训练,训练的结果为训练后模型。具体地,上述执行主体可以将同一类别的教师类别中心和学生类别中心,分别作为真实值和预测值输入预设的损失函数,得到损失值,并利用该损失值训练学生模型。
本实施例可以实现特征中心的更新,从而确保监督过程的准确性。
在本实施例的一些可选的实现方式中,上述利用第二特征中心,更新学生模型对应的、该类别的特征中心,根据更新结果确定该类别的学生类别中心,可以包括:获取与学生模型对应的、该类别的当前的特征中心;确定第二特征中心与该当前的特征中心之间的平均值,根据该平均值确定该类别的学生类别中心。
在这些可选的实现方式中,上述执行主体可以获取与学生模型对应的、该类别的当前的特征中心。并对于与学生模型对应的、该类别的第二特征中心和当前特征中心取平均值,将该平均值作为学生类别中心。这里的当前的特征中心,指在获取特征中心的当时,在曾经确定出的所有特征中心中最后确定出的特征中心,该特征中心是利用所有参与确定学生模型的该类别的特征中心的特征确定出的。每次确定出一批图像的特征,都可以利用这一批图像的特征,更新特征中心。
这些应用场景可以通过确定当前的特征中心与第二特征中心之间的平均值,及时调整学生模型的每一个类别的特征中心,从而可以利用调整后的特征中心,实现更准确的蒸馏。
进一步参考图5,作为对上述各图所示方法的实现,本申请提供了一种用于模型蒸馏的装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,除下面所记载的特征外,该装置实施例还可以包括与图2所示的方法实施例相同或相应的特征或效果。该装置具体可以应用于各种电子设备中。
如图5所示,本实施例的用于模型蒸馏的装置500包括:提取单元501、确定单元502和训练单元503。其中,提取单元501,被配置成利用教师模型和学生模型,提取目标图像的特征,得到教师模型对应的特征和学生模型对应的特征;确定单元502,被配置成根据教师模型对应的特征中各个类别的特征的特征中心,确定教师类别中心,并根据学生模型对应的特征中各个类别的特征的特征中心,确定学生类别中心;训练单元503,被配置成利用教师类别中心,监督与教师类别中心的类别相同的学生类别中心,以训练学生模型,得到训练后模型。
在本实施例中,用于模型蒸馏的装置500的提取单元501、确定单元502和训练单元503的具体处理及其所带来的技术效果可分别参考图2对应实施例中步骤201、步骤202和步骤203的相关说明,在此不再赘述。
在本实施例的一些可选的实现方式中,目标图像为用于训练学生模型的训练样本集合中的一批图像;确定单元,进一步被配置成按照如下方式执行根据教师模型对应的特征中各个类别的特征的特征中心,确定教师类别中心:对于教师模型对应的特征的各个类别中的类别,确定该类别的特征的特征中心作为第一特征中心;利用第一特征中心,更新教师模型对应的、该类别的特征中心,根据更新结果确定该类别的教师类别中心,其中,教师模型对应的特征中心为利用教师模型对训练样本集合中的至少一批图像所确定的特征中心。
在本实施例的一些可选的实现方式中,确定单元,进一步被配置成按照如下方式执行利用第一特征中心,更新教师模型对应的、该类别的特征中心,根据更新结果确定该类别的教师类别中心:获取与教师模型对应的、该类别的当前的特征中心;确定第一特征中心与该当前的特征中心之间的平均值,根据该平均值确定该类别的教师类别中心。
在本实施例的一些可选的实现方式中,目标图像为用于训练学生模型的训练样本集合中的一批图像;确定单元,进一步被配置成按照如下方式执行根据学生模型对应的特征中各个类别的特征的特征中心,确定学生类别中心:对于学生模型对应的特征的各个类别中的类别,确定该类别的特征的特征中心作为第二特征中心;利用第二特征中心,更新学生模型对应的、该类别的特征中心,根据更新结果确定该类别的学生类别中心,其中,学生模型对应的特征中心为利用学生模型对训练样本集合中的至少一批图像所确定的特征中心。
在本实施例的一些可选的实现方式中,确定单元,进一步被配置成按照如下方式执行利用第二特征中心,更新学生模型对应的、该类别的特征中心,根据更新结果确定该类别的学生类别中心:获取与学生模型对应的、该类别的当前的特征中心;确定第二特征中心与该当前的特征中心之间的平均值,根据该平均值确定该类别的学生类别中心。
在本实施例的一些可选的实现方式中,训练单元,进一步被配置成按照如下方式执行利用教师类别中心,监督与教师类别中心类别相同的学生类别中心,以训练学生模型:通过第一损失函数,确定学生类别中心和教师类别中心之间的损失值,并通过第二损失函数,确定学生模型对应的特征和教师模型对应的特征之间的损失值,利用所确定的损失值训练学生模型,其中,第一损失函数为相对熵损失函数。
根据本申请的实施例,本申请还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
如图6所示,是根据本申请实施例的用于模型蒸馏的方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图6所示,该电子设备包括:一个或多个处理器601、存储器602,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图6中以一个处理器601为例。
存储器602即为本申请所提供的非瞬时计算机可读存储介质。其中,存储器存储有可由至少一个处理器执行的指令,以使至少一个处理器执行本申请所提供的用于模型蒸馏的方法。本申请的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本申请所提供的用于模型蒸馏的方法。
存储器602作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本申请实施例中的用于模型蒸馏的方法对应的程序指令/模块(例如,附图5所示的提取单元501、确定单元502和训练单元503)。处理器601通过运行存储在存储器602中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的用于模型蒸馏的方法。
存储器602可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据用于模型蒸馏的电子设备的使用所创建的数据等。此外,存储器602可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器602可选包括相对于处理器601远程设置的存储器,这些远程存储器可以通过网络连接至用于模型蒸馏的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
用于模型蒸馏的方法的电子设备还可以包括:输入装置603和输出装置604。处理器601、存储器602、输入装置603和输出装置604可以通过总线或者其他方式连接,图6中以通过总线连接为例。
输入装置603可接收输入的数字或字符信息,以及产生与用于模型蒸馏的电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置604可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务("Virtual Private Server",或简称"VPS")中,存在的管理难度大,业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器,或者是结合了区块链的服务器。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、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、或代码的一部分,该模块、程序段、或代码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。也应当注意,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,两个接连地表示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操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。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括提取单元、确定单元和训练单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,提取单元还可以被描述为“利用教师模型和学生模型,提取目标图像的特征,得到教师模型对应的特征和学生模型对应的特征的单元”。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的装置中所包含的;也可以是单独存在,而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该装置执行时,使得该装置:利用教师模型和学生模型,提取目标图像的特征,得到教师模型对应的特征和学生模型对应的特征;根据教师模型对应的特征中各个类别的特征的特征中心,确定教师类别中心,并根据学生模型对应的特征中各个类别的特征的特征中心,确定学生类别中心;利用教师类别中心,监督与教师类别中心的类别相同的学生类别中心,以训练学生模型,得到训练后模型。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (8)
1.一种用于模型蒸馏的方法,所述方法包括:
利用教师模型和学生模型,提取目标图像的特征,得到所述教师模型对应的特征和所述学生模型对应的特征;
根据所述教师模型对应的特征中各个类别的特征的特征中心,确定教师类别中心,并根据所述学生模型对应的特征中各个类别的特征的特征中心,确定学生类别中心;
利用所述教师类别中心,监督与所述教师类别中心的类别相同的学生类别中心,以训练所述学生模型,得到训练后模型;
其中,所述目标图像为用于训练所述学生模型的训练样本集合中的一批图像;
所述根据所述教师模型对应的特征中各个类别的特征的特征中心,确定教师类别中心,包括:
对于教师模型对应的特征的各个类别中的类别,确定该类别的特征的特征中心作为第一特征中心;
获取与所述教师模型对应的、该类别的当前的特征中心;确定所述第一特征中心与该当前的特征中心之间的平均值,根据该平均值确定该类别的教师类别中心,其中,教师模型对应的特征中心为利用所述教师模型对所述训练样本集合中的至少一批图像所确定的特征中心;
其中,所述目标图像为用于训练所述学生模型的训练样本集合中的一批图像;
所述根据所述学生模型对应的特征中各个类别的特征的特征中心,确定学生类别中心,包括:
对于学生模型对应的特征的各个类别中的类别,确定该类别的特征的特征中心作为第二特征中心;
利用所述第二特征中心,更新所述学生模型对应的、该类别的特征中心,根据更新结果确定该类别的学生类别中心,其中,学生模型对应的特征中心为利用所述学生模型对所述训练样本集合中的至少一批图像所确定的特征中心。
2.根据权利要求1所述的方法,其中,所述利用所述第二特征中心,更新所述学生模型对应的、该类别的特征中心,根据更新结果确定该类别的学生类别中心,包括:
获取与所述学生模型对应的、该类别的当前的特征中心;
确定所述第二特征中心与该当前的特征中心之间的平均值,根据该平均值确定该类别的学生类别中心。
3.根据权利要求1所述的方法,其中,所述利用所述教师类别中心,监督与所述教师类别中心的类别相同的学生类别中心,以训练所述学生模型,包括:
通过第一损失函数,确定所述学生类别中心和所述教师类别中心之间的损失值,并通过第二损失函数,确定所述学生模型对应的特征和所述教师模型对应的特征之间的损失值,利用所确定的损失值训练所述学生模型,其中,所述第一损失函数为相对熵损失函数。
4.一种用于模型蒸馏的装置,所述装置包括:
提取单元,被配置成利用教师模型和学生模型,提取目标图像的特征,得到所述教师模型对应的特征和所述学生模型对应的特征;
确定单元,被配置成根据所述教师模型对应的特征中各个类别的特征的特征中心,确定教师类别中心,并根据所述学生模型对应的特征中各个类别的特征的特征中心,确定学生类别中心;
训练单元,被配置成利用所述教师类别中心,监督与所述教师类别中心的类别相同的学生类别中心,以训练所述学生模型,得到训练后模型;
其中,所述目标图像为用于训练所述学生模型的训练样本集合中的一批图像;
所述确定单元,进一步被配置成按照如下方式执行所述根据所述教师模型对应的特征中各个类别的特征的特征中心,确定教师类别中心:
对于教师模型对应的特征的各个类别中的类别,确定该类别的特征的特征中心作为第一特征中心;
获取与所述教师模型对应的、该类别的当前的特征中心;确定所述第一特征中心与该当前的特征中心之间的平均值,根据该平均值确定该类别的教师类别中心,其中,教师模型对应的特征中心为利用所述教师模型对所述训练样本集合中的至少一批图像所确定的特征中心;
其中,所述目标图像为用于训练所述学生模型的训练样本集合中的一批图像;
所述确定单元,进一步被配置成按照如下方式执行所述根据所述学生模型对应的特征中各个类别的特征的特征中心,确定学生类别中心:
对于学生模型对应的特征的各个类别中的类别,确定该类别的特征的特征中心作为第二特征中心;
利用所述第二特征中心,更新所述学生模型对应的、该类别的特征中心,根据更新结果确定该类别的学生类别中心,其中,学生模型对应的特征中心为利用所述学生模型对所述训练样本集合中的至少一批图像所确定的特征中心。
5.根据权利要求4所述的装置,其中,所述确定单元,进一步被配置成按照如下方式执行所述利用所述第二特征中心,更新所述学生模型对应的、该类别的特征中心,根据更新结果确定该类别的学生类别中心:
获取与所述学生模型对应的、该类别的当前的特征中心;
确定所述第二特征中心与该当前的特征中心之间的平均值,根据该平均值确定该类别的学生类别中心。
6.根据权利要求4所述的装置,其中,所述训练单元,进一步被配置成按照如下方式执行所述利用所述教师类别中心,监督与所述教师类别中心的类别相同的学生类别中心,以训练所述学生模型:
通过第一损失函数,确定所述学生类别中心和所述教师类别中心之间的损失值,并通过第二损失函数,确定所述学生模型对应的特征和所述教师模型对应的特征之间的损失值,利用所确定的损失值训练所述学生模型,其中,所述第一损失函数为相对熵损失函数。
7.一种电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-3中任一所述的方法。
8.一种计算机可读存储介质,其上存储有计算机程序,其中,该程序被处理器执行时实现如权利要求1-3中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011473800.7A CN112561059B (zh) | 2020-12-15 | 2020-12-15 | 用于模型蒸馏的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011473800.7A CN112561059B (zh) | 2020-12-15 | 2020-12-15 | 用于模型蒸馏的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112561059A CN112561059A (zh) | 2021-03-26 |
CN112561059B true CN112561059B (zh) | 2023-08-01 |
Family
ID=75064697
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011473800.7A Active CN112561059B (zh) | 2020-12-15 | 2020-12-15 | 用于模型蒸馏的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112561059B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113378712B (zh) * | 2021-06-10 | 2023-07-04 | 北京百度网讯科技有限公司 | 物体检测模型的训练方法、图像检测方法及其装置 |
CN115294407B (zh) * | 2022-09-30 | 2023-01-03 | 山东大学 | 基于预习机制知识蒸馏的模型压缩方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111062951A (zh) * | 2019-12-11 | 2020-04-24 | 华中科技大学 | 一种基于语义分割类内特征差异性的知识蒸馏方法 |
CN111242297A (zh) * | 2019-12-19 | 2020-06-05 | 北京迈格威科技有限公司 | 基于知识蒸馏的模型训练方法、图像处理方法及装置 |
CN111259738A (zh) * | 2020-01-08 | 2020-06-09 | 科大讯飞股份有限公司 | 人脸识别模型构建方法、人脸识别方法及相关装置 |
CN111639710A (zh) * | 2020-05-29 | 2020-09-08 | 北京百度网讯科技有限公司 | 图像识别模型训练方法、装置、设备以及存储介质 |
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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111105008A (zh) * | 2018-10-29 | 2020-05-05 | 富士通株式会社 | 模型训练方法、数据识别方法和数据识别装置 |
-
2020
- 2020-12-15 CN CN202011473800.7A patent/CN112561059B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111062951A (zh) * | 2019-12-11 | 2020-04-24 | 华中科技大学 | 一种基于语义分割类内特征差异性的知识蒸馏方法 |
CN111242297A (zh) * | 2019-12-19 | 2020-06-05 | 北京迈格威科技有限公司 | 基于知识蒸馏的模型训练方法、图像处理方法及装置 |
CN111259738A (zh) * | 2020-01-08 | 2020-06-09 | 科大讯飞股份有限公司 | 人脸识别模型构建方法、人脸识别方法及相关装置 |
CN111639710A (zh) * | 2020-05-29 | 2020-09-08 | 北京百度网讯科技有限公司 | 图像识别模型训练方法、装置、设备以及存储介质 |
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 |
Non-Patent Citations (2)
Title |
---|
Knowledge Distillation with Feature Maps for Image Classification;Wei-Chun Chen, Chia-Che Chang, Chien-Yu Lu, Che-Rung Lee;arXiv;全文 * |
基于压缩轻量化深层神经网络的车辆检测模型;姜星宇;辛月兰;刘卫铭;;信息技术(07);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112561059A (zh) | 2021-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112001180A (zh) | 多模态预训练模型获取方法、装置、电子设备及存储介质 | |
CN112529180B (zh) | 模型蒸馏的方法和装置 | |
CN111582477B (zh) | 神经网络模型的训练方法和装置 | |
CN111783948A (zh) | 模型训练方法、装置、电子设备以及存储介质 | |
CN111968203B (zh) | 动画驱动方法、装置、电子设备及存储介质 | |
CN111460384B (zh) | 策略的评估方法、装置和设备 | |
CN112561059B (zh) | 用于模型蒸馏的方法和装置 | |
CN111680517A (zh) | 用于训练模型的方法、装置、设备以及存储介质 | |
CN112241716B (zh) | 训练样本的生成方法和装置 | |
CN112101552A (zh) | 用于训练模型的方法、装置、设备以及存储介质 | |
CN114202074A (zh) | 用于目标检测任务的预训练模型生成方法、装置及设备 | |
CN112529181B (zh) | 用于模型蒸馏的方法和装置 | |
CN112507833A (zh) | 人脸识别及模型训练的方法、装置、设备和存储介质 | |
CN112561332A (zh) | 模型管理方法、装置、电子设备、存储介质和程序产品 | |
CN112215243A (zh) | 图像特征提取方法、装置、设备及存储介质 | |
CN111524123B (zh) | 用于处理图像的方法和装置 | |
CN112085103B (zh) | 基于历史行为的数据增强方法、装置、设备以及存储介质 | |
CN111563541B (zh) | 图像检测模型的训练方法和装置 | |
CN111767990A (zh) | 神经网络的处理方法和装置 | |
CN111738325A (zh) | 图像识别方法、装置、设备以及存储介质 | |
CN110889392A (zh) | 人脸图像处理的方法及装置 | |
CN113313048B (zh) | 脸部表情识别方法和装置 | |
CN113128436B (zh) | 关键点的检测方法和装置 | |
CN112598136A (zh) | 数据的校准方法和装置 | |
CN111767988A (zh) | 神经网络的融合方法和装置 |
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 |