Professional Documents
Culture Documents
متعددی ش ده اس ت
که می توان آنها را به دو دسته زیر تقسیم نمود:
طراحی اجزای سبک و کارآمد برای مدلهای عمیق مانن د الی ه پیچش تفکی ک پ ذیر عم ق مح ور در موبای ل نت و ش افل نت
روشهای فشرده سازی و تسریع مدل شامل :هرس و اشتراک گذاری پارامترها تمرک ز این مت دها روی ح ذف پارامتره ای
غ یر ض روری از ش بکه ه ای عص بی عمی ق ب دون ت اثیر زی اد روی عملک رد اس ت .این دس ته را میت وان ب ه چن د دس ته
کوانتیزاسیون مدل ،دودویی کردن مدل ،ماتریسهای ساختاری و اشتراک گذاری پارامتر تقسیم کرد.
تجزیه کم رتبه :این متدها پارامترهای اضافه ش بکه عص بی عمی ق را ب ا اس تفاده از تجزی ه تنس ور و م اتریس شناس ایی می
کنند.فیلترهای پیچشی فشرده منتقل شده این متدها پارامترهای غیر ض روری را ب ا منتق ل ک ردن ی ا فش رده س ازی فیلتره ای
پیچشی حذف می کنند .چکانش دانش این متدها دانش را از شبکه عصبی عمیق بزرگ تر به شبکه کوچک تر می چکانند .
از بین روشهای اشاره شده ،چکانش دانش ،رهیافتی جامع به منظور نظارت بر فرآیند یادگیری یک شبکه دانش آم وز ب دون
دانش توسط یک شبکه معلم پیشرفته است .هدف چکانش از میان برداش تن ش کاف معم اری بین معلم و دانش آم وز اس ت ت ا
دانش آموز بتواند در عین سادگی عملکرد شبکه معلم را تقلید نماید .می ت وان هنگ ام انتق ال دانش از ش بکه معلم پیش رفته ب ه
شبکه دانش آموز ،نوعی راهنما را به دست آورد و به این ترتیب عملکرد شبکه دانش آموز را بهبود داد .هینتون و همکاران
ابتدا چکانش دانش را برای DNNپیشنهاد دادند ،که توزیع ویژگی ه ای ش بکه معلم را در فض ای برچس ب ب ه عن وان دانش
تعریف میکند با استفاده از برچسب ناهموار کدبندی شده به صورت one-hotتنها میتوان اطالعات متناظر کالس ها را به
شبکه دانش آموز منتقل کرد و امکان آموزش سایر اطالعات مانند رابطه بین کالس های مختل ف وج ود ن دارد .از این رو در
این نوع چکانش دانش ،از برچسب هموار نیز در کنار برچسب ناهموار برای آموزش شبکه دانش آم وز اس تفاده میش ود ب ا
وجود تالشهای زیادی که در سالهای اخیر برای معرفی روشهای متعدد کانش دانش انجام شده بر طب ق نت ایج مطالع ه ای ک ه
گو و همکاران سال ۲۰۲۰گزارش کرده اند ،چالش های زیر همچنان باقی است.