Knowledge Transfer via Distillation of Activation Boundaries Formed by Hidden Neurons

论文提出不能仅用神经元激活值做蒸馏约束,而应使用激活区域。在网络最后输出的feature map上设置约束损失函数,该函数较复杂,可用L2 loss替换,若feature map size不符,可用conv 1x1对齐,但相差大时对齐会损失语义,此方法或提升不大。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

论文链接
这篇论文的核心思想非常简单,他认为不能只是用神经元的激活值来做蒸馏约束,而应该使用神经元的激活区域做约束,故在网络最后输出的feature map上做了一个约束的损失函数,这里的损失函数比较复杂,详情可以看论文,但是可以尝试用L2 loss替换,如果feature map size对不上的话,可以使用conv 1x1来对齐,但我认为如果feature map size相差较大的话,其实对齐但过程中就已经损失语义了。该方法可以一试,但我觉得可能提升不大。

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值