On the Efficacy of Knowledge Distillation
Motivation 實驗觀察到：並不是性能越好的teacher就能蒸餾(教)出更好的student，因此本文想梳理出影響蒸餾性能的因素 推測是容量不匹配的原因，導致student模型不能夠mimic teacher，反而帶偏了主要的loss 之前解決該問題的做法是逐步的進行蒸餾，但是效果也不好。 左邊Teacher爲WRN k-1，k是深度，Student是WRN16-1和DN40-12(Den
相關文章
- 1. 【Distill 系列：三】On the Efficacy of Knowledge Distillation
- 2. Awesome Knowledge-Distillation
- 3. Knowledge Distillation
- 4. Knowledge Distillation 筆記
- 5. Tutorial: Knowledge Distillation
- 6. Knowledge Distillation by On-the-Fly Native Ensemble論文解讀
- 7. 在線多分支融合——Knowledge Distillation by On-the-Fly Native Ensemble
- 8. 深入淺出：Knowledge Distillation by On-the-Fly Native Ensemble
- 9. Similarity-Preserving Knowledge Distillation
- 10. 【CVPR2020 論文翻譯】 | Explaining Knowledge Distillation by Quantifying the Knowledge
- 更多相關文章...
- • XSLT
- • XSLT
- • RxJava操作符（一）Creating Observables
- • PHP Ajax 跨域問題最佳解決方案
相關標籤/搜索
每日一句
-
每一个你不满意的现在，都有一个你没有努力的曾经。
歡迎關注本站公眾號,獲取更多信息
相關文章
- 1. 【Distill 系列：三】On the Efficacy of Knowledge Distillation
- 2. Awesome Knowledge-Distillation
- 3. Knowledge Distillation
- 4. Knowledge Distillation 筆記
- 5. Tutorial: Knowledge Distillation
- 6. Knowledge Distillation by On-the-Fly Native Ensemble論文解讀
- 7. 在線多分支融合——Knowledge Distillation by On-the-Fly Native Ensemble
- 8. 深入淺出：Knowledge Distillation by On-the-Fly Native Ensemble
- 9. Similarity-Preserving Knowledge Distillation
- 10. 【CVPR2020 論文翻譯】 | Explaining Knowledge Distillation by Quantifying the Knowledge