5分钟快速上手KD_Lib从零跑通第一个知识蒸馏实验的完整教程【免费下载链接】KD_LibA Pytorch Knowledge Distillation library for benchmarking and extending works in the domains of Knowledge Distillation, Pruning, and Quantization.项目地址: https://gitcode.com/gh_mirrors/kd/KD_Lib知识蒸馏Knowledge Distillation是当下最热门的模型压缩技术之一而KD_Lib正是为此而生的 PyTorch 知识蒸馏库。它把训练教师模型Teacher、蒸馏学生模型Student的全流程封装成了几行代码同时覆盖知识蒸馏、剪枝Pruning与量化Quantization三大领域被论文作者和研究者广泛用于基准测试与二次开发。本教程将带你用 5 分钟从零跑通第一个知识蒸馏实验无需深厚的框架经验复制粘贴即可上手。 先搞懂知识蒸馏到底在做什么一句话概括让一个轻量的小模型学生去模仿一个强大的大模型教师的思考方式。教师模型除了输出硬标签Hard Label还会输出一组软目标Soft Target概率。比如一张真实的豹子图片教师可能给出豹子 0.5、兔子 0.3、猫 0.1这样的概率分布这里面藏着模型对类别相似度的理解——这正是学生模型需要学习的关键信息。上图展示的正是软目标概率的可视化教师对豹子绿色柱仍保留了较高的置信度这些暗知识让学生模型能以更少的参数学到接近教师的性能。KD_Lib 在 KD_Lib/KD/vision/vanilla/vanilla_kd.py 中实现了论文《Distilling the Knowledge in a Neural Network》最经典的蒸馏损失计算你无需手动编写蒸馏逻辑框架已替你完成。 KD_Lib 核心优势一览特性说明开箱即用12 种蒸馏方法一行代码切换算法覆盖全面知识蒸馏、剪枝、量化三大模型压缩方向接口统一所有方法共用train_teacher / train_student / evaluate这套 API可视化友好内置损失曲线绘制与 TensorBoard 日志支持模型齐全内置 LeNet、ResNet18/50、LSTM 等常用模型这些方法的代码全部集中在 KD_Lib/KD/ 目录下按vision视觉、text文本分类包括 VanillaKD、DML、TAKD、Attention、NoisyTeacher、BERT2LSTM 等经典实现。️ 第一步最简单的安装方法KD_Lib 支持 Python 3.6依赖 PyTorch。推荐直接通过 pip 安装稳定版pip install KD-Lib想体验最新特性也可以从源码安装git clone https://gitcode.com/gh_mirrors/kd/KD_Lib cd KD_Lib python setup.py install安装完成后在 Python 中执行import KD_Lib不报错即安装成功 ✅ 第二步5 分钟跑通第一个知识蒸馏实验1️⃣ 准备数据与模型以经典 MNIST 手写数字分类为例。数据加载使用 torchvision 标准接口模型直接复用 KD_Lib 内置的 LeNet 系列——LeNet普通版和ModLeNet带 padding 的改进版。import torch import torch.optim as optim from torchvision import datasets, transforms from KD_Lib.KD import VanillaKD from KD_Lib.models import LeNet, ModLeNet # 数据加载MNIST train_loader torch.utils.data.DataLoader( datasets.MNIST(mnist_data, trainTrue, downloadTrue, transformtransforms.Compose([transforms.ToTensor()])), batch_size32, shuffleTrue) test_loader torch.utils.data.DataLoader( datasets.MNIST(mnist_data, trainFalse, transformtransforms.Compose([transforms.ToTensor()])), batch_size32, shuffleTrue) # 教师模型用大一点的 ModLeNet学生模型用精简版 LeNet teacher_model ModLeNet(img_size32, num_classes10, in_channels1) student_model LeNet(img_size32, num_classes10, in_channels1) teacher_optimizer optim.SGD(teacher_model.parameters(), 0.01) student_optimizer optim.SGD(student_model.parameters(), 0.01)2️⃣ 核心代码只需 3 行完成蒸馏这是 KD_Lib 最迷人的地方——全部蒸馏逻辑浓缩成 3 行代码distiller VanillaKD(teacher_model, student_model, train_loader, test_loader, teacher_optimizer, student_optimizer) distiller.train_teacher(epochs5, plot_lossesTrue, save_modelTrue) # 先训练教师 distiller.train_student(epochs5, plot_lossesTrue, save_modelTrue) # 再蒸馏学生 distiller.evaluate(teacherFalse) # 评估学生模型效果3️⃣ 运行后你能得到什么损失曲线plot_lossesTrue会自动绘制训练损失变化图模型文件教师和学生模型分别保存到models/teacher.pt、models/student.pt评估结果控制台直接打印学生模型在测试集上的准确率整个训练流程由 KD_Lib/KD/common/base_class.py 中的BaseClass统一调度train_teacher、train_student、evaluate、get_parameters等接口对所有蒸馏算法完全一致。也就是说你只要会跑通 VanillaKD其他方法如 DML、TAKD的用法几乎一样。 进阶玩法一行代码切换蒸馏算法跑通第一个实验后你可以立即体验 KD_Lib 的其他能力。例如把VanillaKD换成DML深度互学习多个学生互相学习只需修改导入和实例化部分from KD_Lib.KD import DML from KD_Lib.models import ResNet18, ResNet50 student_model_1 ResNet50([4, 4, 4, 4, 4], 1, 10) student_model_2 ResNet18([4, 4, 4, 4, 4], 1, 10) student_cohort [student_model_1, student_model_2] distiller DML(student_cohort, train_loader, test_loader, [optim.SGD(m.parameters(), 0.01) for m in student_cohort]) distiller.train_students(epochs5) distiller.evaluate()想验证某个算法在你的数据集上的效果测试代码可以参考项目中的 tests/test_kd.py它几乎覆盖了所有已实现的方法是绝佳的入门参考。 小贴士蒸馏效果的关键参数是temp温度和distil_weight蒸馏损失权重默认值 20.0 和 0.5 通常就有不错的表现调参时优先从这里入手。❓ 常见问题速查Q1训练报错提示 CUDA 不可用在实例化蒸馏器时指定devicecpu默认即 CPU或检查是否安装了 GPU 版 PyTorch。Q2plot_lossesTrue后没有弹出图片plt.plot()之后记得调用plt.show()或在 Jupyter Notebook 中直接使用。Q3想了解更多蒸馏算法查看 KD_Lib/KD/vision/ 目录下的vanilla、DML、TAKD、attention、noisy等子模块每个文件夹对应一篇经典论文的实现注释中均标注了原论文链接。 写在最后KD_Lib 用一套优雅统一的 API把知识蒸馏的入门门槛降到了极低安装 → 准备数据 → 3 行代码 → 得到结果全程不超过 5 分钟。无论你是刚接触模型压缩的新手还是需要快速验证蒸馏算法的研究者KD_Lib 都能帮你把精力从繁琐的框架代码中解放出来专注在算法本身。现在就去克隆或安装跑通你的第一个知识蒸馏实验吧【免费下载链接】KD_LibA Pytorch Knowledge Distillation library for benchmarking and extending works in the domains of Knowledge Distillation, Pruning, and Quantization.项目地址: https://gitcode.com/gh_mirrors/kd/KD_Lib创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 5分钟快速上手KD_Lib：从零跑通第一个知识蒸馏实验的完整教程
5分钟快速上手KD_Lib从零跑通第一个知识蒸馏实验的完整教程【免费下载链接】KD_LibA Pytorch Knowledge Distillation library for benchmarking and extending works in the domains of Knowledge Distillation, Pruning, and Quantization.项目地址: https://gitcode.com/gh_mirrors/kd/KD_Lib知识蒸馏Knowledge Distillation是当下最热门的模型压缩技术之一而KD_Lib正是为此而生的 PyTorch 知识蒸馏库。它把训练教师模型Teacher、蒸馏学生模型Student的全流程封装成了几行代码同时覆盖知识蒸馏、剪枝Pruning与量化Quantization三大领域被论文作者和研究者广泛用于基准测试与二次开发。本教程将带你用 5 分钟从零跑通第一个知识蒸馏实验无需深厚的框架经验复制粘贴即可上手。 先搞懂知识蒸馏到底在做什么一句话概括让一个轻量的小模型学生去模仿一个强大的大模型教师的思考方式。教师模型除了输出硬标签Hard Label还会输出一组软目标Soft Target概率。比如一张真实的豹子图片教师可能给出豹子 0.5、兔子 0.3、猫 0.1这样的概率分布这里面藏着模型对类别相似度的理解——这正是学生模型需要学习的关键信息。上图展示的正是软目标概率的可视化教师对豹子绿色柱仍保留了较高的置信度这些暗知识让学生模型能以更少的参数学到接近教师的性能。KD_Lib 在 KD_Lib/KD/vision/vanilla/vanilla_kd.py 中实现了论文《Distilling the Knowledge in a Neural Network》最经典的蒸馏损失计算你无需手动编写蒸馏逻辑框架已替你完成。 KD_Lib 核心优势一览特性说明开箱即用12 种蒸馏方法一行代码切换算法覆盖全面知识蒸馏、剪枝、量化三大模型压缩方向接口统一所有方法共用train_teacher / train_student / evaluate这套 API可视化友好内置损失曲线绘制与 TensorBoard 日志支持模型齐全内置 LeNet、ResNet18/50、LSTM 等常用模型这些方法的代码全部集中在 KD_Lib/KD/ 目录下按vision视觉、text文本分类包括 VanillaKD、DML、TAKD、Attention、NoisyTeacher、BERT2LSTM 等经典实现。️ 第一步最简单的安装方法KD_Lib 支持 Python 3.6依赖 PyTorch。推荐直接通过 pip 安装稳定版pip install KD-Lib想体验最新特性也可以从源码安装git clone https://gitcode.com/gh_mirrors/kd/KD_Lib cd KD_Lib python setup.py install安装完成后在 Python 中执行import KD_Lib不报错即安装成功 ✅ 第二步5 分钟跑通第一个知识蒸馏实验1️⃣ 准备数据与模型以经典 MNIST 手写数字分类为例。数据加载使用 torchvision 标准接口模型直接复用 KD_Lib 内置的 LeNet 系列——LeNet普通版和ModLeNet带 padding 的改进版。import torch import torch.optim as optim from torchvision import datasets, transforms from KD_Lib.KD import VanillaKD from KD_Lib.models import LeNet, ModLeNet # 数据加载MNIST train_loader torch.utils.data.DataLoader( datasets.MNIST(mnist_data, trainTrue, downloadTrue, transformtransforms.Compose([transforms.ToTensor()])), batch_size32, shuffleTrue) test_loader torch.utils.data.DataLoader( datasets.MNIST(mnist_data, trainFalse, transformtransforms.Compose([transforms.ToTensor()])), batch_size32, shuffleTrue) # 教师模型用大一点的 ModLeNet学生模型用精简版 LeNet teacher_model ModLeNet(img_size32, num_classes10, in_channels1) student_model LeNet(img_size32, num_classes10, in_channels1) teacher_optimizer optim.SGD(teacher_model.parameters(), 0.01) student_optimizer optim.SGD(student_model.parameters(), 0.01)2️⃣ 核心代码只需 3 行完成蒸馏这是 KD_Lib 最迷人的地方——全部蒸馏逻辑浓缩成 3 行代码distiller VanillaKD(teacher_model, student_model, train_loader, test_loader, teacher_optimizer, student_optimizer) distiller.train_teacher(epochs5, plot_lossesTrue, save_modelTrue) # 先训练教师 distiller.train_student(epochs5, plot_lossesTrue, save_modelTrue) # 再蒸馏学生 distiller.evaluate(teacherFalse) # 评估学生模型效果3️⃣ 运行后你能得到什么损失曲线plot_lossesTrue会自动绘制训练损失变化图模型文件教师和学生模型分别保存到models/teacher.pt、models/student.pt评估结果控制台直接打印学生模型在测试集上的准确率整个训练流程由 KD_Lib/KD/common/base_class.py 中的BaseClass统一调度train_teacher、train_student、evaluate、get_parameters等接口对所有蒸馏算法完全一致。也就是说你只要会跑通 VanillaKD其他方法如 DML、TAKD的用法几乎一样。 进阶玩法一行代码切换蒸馏算法跑通第一个实验后你可以立即体验 KD_Lib 的其他能力。例如把VanillaKD换成DML深度互学习多个学生互相学习只需修改导入和实例化部分from KD_Lib.KD import DML from KD_Lib.models import ResNet18, ResNet50 student_model_1 ResNet50([4, 4, 4, 4, 4], 1, 10) student_model_2 ResNet18([4, 4, 4, 4, 4], 1, 10) student_cohort [student_model_1, student_model_2] distiller DML(student_cohort, train_loader, test_loader, [optim.SGD(m.parameters(), 0.01) for m in student_cohort]) distiller.train_students(epochs5) distiller.evaluate()想验证某个算法在你的数据集上的效果测试代码可以参考项目中的 tests/test_kd.py它几乎覆盖了所有已实现的方法是绝佳的入门参考。 小贴士蒸馏效果的关键参数是temp温度和distil_weight蒸馏损失权重默认值 20.0 和 0.5 通常就有不错的表现调参时优先从这里入手。❓ 常见问题速查Q1训练报错提示 CUDA 不可用在实例化蒸馏器时指定devicecpu默认即 CPU或检查是否安装了 GPU 版 PyTorch。Q2plot_lossesTrue后没有弹出图片plt.plot()之后记得调用plt.show()或在 Jupyter Notebook 中直接使用。Q3想了解更多蒸馏算法查看 KD_Lib/KD/vision/ 目录下的vanilla、DML、TAKD、attention、noisy等子模块每个文件夹对应一篇经典论文的实现注释中均标注了原论文链接。 写在最后KD_Lib 用一套优雅统一的 API把知识蒸馏的入门门槛降到了极低安装 → 准备数据 → 3 行代码 → 得到结果全程不超过 5 分钟。无论你是刚接触模型压缩的新手还是需要快速验证蒸馏算法的研究者KD_Lib 都能帮你把精力从繁琐的框架代码中解放出来专注在算法本身。现在就去克隆或安装跑通你的第一个知识蒸馏实验吧【免费下载链接】KD_LibA Pytorch Knowledge Distillation library for benchmarking and extending works in the domains of Knowledge Distillation, Pruning, and Quantization.项目地址: https://gitcode.com/gh_mirrors/kd/KD_Lib创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考