DeiT (Training Data-efficient Image Transformers & Distillation through Attention)

1. Overview

Facebook Research에서 2020년 12월 공개; https://github.com/facebookresearch/deit
Knowledge Distillation 기법을 적용하여 대용량 데이터셋으로 pre-training하는 과정 없이 높은 성능 달성
대부분의 구조는 ViT와 동일하며, data augmentation, regularization 등 다양한 기법들을 적용하고 기존의 class token에 distillation token을 추가하여 학습

2. Knowledge Distillation

Summary

Hinton et al., "Distilling the Knowledge in a Neural Network" (NIPS 2014)
한줄요약: 청출어람 (big 네트워크에서 축적된 정보를 small 네트워크로 전달하여 small 네트워크에서도 big 네트워크와 비슷한 성능을 내는 것이 목적)
- big = teacher, small = student
- Teacher 모델의 Inductive bias를 soft한 방법으로 전달
- Supervised Learning으로 학습한 모델의 output은 hard label이 아니라 logit에 대한 출력으로 다른 클래스들의 가중치도 포함되어 있음.

Objective

Teacher의 모델의 softmax 분포와 student 모델의 softmax 분포의 KL divergence를 최소화.
Student loss + Distillation loss
- Cross Entropy between ground truth and student's hard predictions(standard softmax) + Cross Entropy between the student's soft predictions and the teacher's soft targets
Soft Distillation:

\begin{equation} \begin{split} & \mathcal{L} = \alpha * \mathcal{L}_{CE}(y_{pred}, y_{true}) + \beta * KL(y_{pred}, y_{teacher}) \\ & \mathcal{L}(x;W) = (1-\alpha) * \mathcal{L}_{CE}(y, \sigma(z_s)) + 2 \alpha T^2 * KL(\sigma(\dfrac{z_s}{T}), \sigma(\dfrac{z_t}{T})) \end{split} \end{equation}

Hard Distillation:

\mathcal{L}(x;W) = 0.5 * \mathcal{L}_{CE}(y, \sigma(z_s)) + 0.5 * \mathcal{L}_{CE}(y_t, \sigma(z_s)),\; y_t = \text{argmax}_c z_t(c)

Temperature

더 많은 knowledge를 전달하기 위한 방법으로 Temperature(T)가 높을 수록 더 soft한 확률분포를 얻을 수 있음 (T = 1일 때, Softmax와 동일); \begin{align} p_i = \frac {\exp(\frac{z_i}{T})} {\sum_{j} \exp(\frac{z_j}{T})} \end{align}

Logits

Softmax Probs

[30, 5, 2, 2]

[1.0000e+00, 1.3888e-11, 6.9144e-13, 6.9144e-13]

[3, 0.5, 0.2, 0.2]

[0.8308, 0.0682, 0.0505, 0.0505]

3. Model Architecture

기본적인 형태는 ViT와 동일하며, KD를 위한 distillation token을 추출
class token과 distillation token의 코사인 유사도는 0.06이나 embedding을 수행 후 class embedding과 distillation embedding의 코사인 유사도를 계산하면 0.93
class embedding과 distillation embedding을 concatenate하거나 합산하는 방법(late fusion)이 가능

4. Experiments

Training Details

Models

DeiT-B: baseline model; D = 768, h = 12, d = D/h = 64
BeiT-B 384: 384x384 해상도로 파인튜닝 수행
DeiT(증류수 모양): DeiT w/ distillation
DeiT-S(Small), DeiT-Ti(Tiny): DeiT의 경량화 버전

Settings

Transformer 기반 모델은 하이퍼파라메터 설정에 민감하므로 여러 가지 설정들을 조합하여 실험
Stochastic depth, Mixup, Cutmix, Repeated Augmentation, Random Augmentation 등 적용
Repeated Augmentation(RA)
- 이미지 배치 $B$ 에서 $\lceil |B|/m\rceil$ 의 이미지들을 샘플링 후, 데이터를 $m$ 회 변환하여 늘림
- 동일한 성격의 이미지들이 섞이므로, i.i.d scheme에 벗어나기에 Small Batch에서는 퍼포먼스가 저하되지만, Large Batch에서는 성능이 향상됨

Performance

CNN 기반의 teacher 네트워크가 transformer보다 top-1 accuracy가 높음

Hard distillation 전반적으로 좋고, class token과 distillation token을 동시 사용하는 것이 성능이 좀 더 좋음

Distillation 모델이 CNN 모델보다 좀 더 연관성이 높음 -> Convnet의 inductive bias가 잘 전달됨을 알 수 있음.

Accuracy

ImageNet 기반으로 학습 시, ViT보다 우세하고(top-1 +6.3%) EfficientNet에 근접한 성능을 보임

5. Implementation

Source: https://github.com/facebookresearch/deit/blob/main/losses.py

import torch
from torch.nn import functional as F


class DistillationLoss(torch.nn.Module):
    """
    This module wraps a standard criterion and adds an extra knowledge distillation loss by
    taking a teacher model prediction and using it as additional supervision.
    """
    def __init__(self, base_criterion: torch.nn.Module, teacher_model: torch.nn.Module,
                 distillation_type: str, alpha: float, tau: float):
        super().__init__()
        self.base_criterion = base_criterion
        self.teacher_model = teacher_model
        assert distillation_type in ['none', 'soft', 'hard']
        self.distillation_type = distillation_type
        self.alpha = alpha
        self.tau = tau

    def forward(self, inputs, outputs, labels):
        """
        Args:
            inputs: The original inputs that are feed to the teacher model
            outputs: the outputs of the model to be trained. It is expected to be
                either a Tensor, or a Tuple[Tensor, Tensor], with the original output
                in the first position and the distillation predictions as the second output
            labels: the labels for the base criterion
        """
        outputs_kd = None
        if not isinstance(outputs, torch.Tensor):
            # assume that the model outputs a tuple of [outputs, outputs_kd]
            outputs, outputs_kd = outputs
        base_loss = self.base_criterion(outputs, labels)
        if self.distillation_type == 'none':
            return base_loss

        if outputs_kd is None:
            raise ValueError("When knowledge distillation is enabled, the model is "
                             "expected to return a Tuple[Tensor, Tensor] with the output of the "
                             "class_token and the dist_token")
        # don't backprop throught the teacher
        with torch.no_grad():
            teacher_outputs = self.teacher_model(inputs)

        if self.distillation_type == 'soft':
            T = self.tau
            # taken from https://github.com/peterliht/knowledge-distillation-pytorch/blob/master/model/net.py#L100
            # with slight modifications
            distillation_loss = F.kl_div(
                F.log_softmax(outputs_kd / T, dim=1),
                F.log_softmax(teacher_outputs / T, dim=1),
                reduction='sum',
                log_target=True
            ) * (T * T) / outputs_kd.numel()
        elif self.distillation_type == 'hard':
            distillation_loss = F.cross_entropy(outputs_kd, teacher_outputs.argmax(dim=1))

        loss = base_loss * (1 - self.alpha) + distillation_loss * self.alpha
        return loss

References

Paper
- https://arxiv.org/pdf/2012.12877.pdf
Blog
- https://ramesharvind.github.io/posts/deep-learning/knowledge-distillation/
Movie Clip
- PR-297: https://www.youtube.com/watch?v=DjEvzeiWBTo
Implementation
- https://github.com/facebookresearch/deit

PreviousViT for Image Classification NextDETR for Object Detection

Last updated 3 years ago