Dark Knowledge by Hinton

视频：https://www.youtube.com/watch?v=EK61htlw8hY

PPT: http://www.ttic.edu/dl/dark14.pdf

分析材料：http://deepdish.io/2014/10/28/hintons-dark-knowledge/ 

                http://fastml.com/geoff-hintons-dark-knowledge/

Dark Knowledge。。当我看到这个题目的时候，感觉有点被吓到了的感觉。。

这几天真正静下心来看懂了整个思想。。。感觉是很接地气的一个东东。。

dark knownledge，可以看作是softmax function 之后的probability，这些probability包含着类别之间的相关性。

比如，猫和狗的相似性，要远远大于猫和船的相似性。。。

而这种相似性，会在probability中有所体现。。。

而这部分信息一致没有被很好的利用，所以称之为dark knowledge。。

dark knowledge主要利用在两个方面：

一是：模型压缩。  这个思想，早在2006 caruana提出过。在很多竞赛时，会利用不同的网络架构，不同的初始化或者不同的训练数据等，来学习到很多网络模型，然后combine                               多个model来提高performance。  如何训练一个模型，达到这个combine model的效果呢？  减小测试时间复杂度。

二是：特殊网络的学习。 类似于一种subcategory的思想，用kmean把容易混淆的一些类聚合在一起，然后针对某些易混淆的类别，进行特殊网络的学习。。当然要解决的问题便是overfitting策略，在hinton的ppt里面有讲到。

无论是模型压缩，还是在特殊网络学习，都提到了基于soft target和hard target两种目标函数。 也是整个ppt的中心吧。

一是hard target就是label信息，0 1 0 0

二是soft target是由已经训练好的model的出来的各个类别的probability信息。  比如：0.1 0.7 0.2 0.001。

       其中在soft target时，用到了raise the temperature策略，来提高soft target对应的cross entropy。

在进行模型压缩的时候，我们利用hard target 和soft target的loss function sum，来训练单一模型，努力达到很多模型combine的结果。

在进行特殊网路训练的时候，利用hard target loss来优化易混淆的某一子类，用soft target loss来优化其他所有类。

大致整理了一个简单的ppt，贴出来共享一下：