草稿:學生模型

學生模型（Student Model）是知識蒸餾（Knowledge Distillation）架構中的核心組件之一，指透過模仿教師模型（Teacher Model）輸出來學習任務知識的小型模型。其目的是在維持模型表現的同時，降低模型大小與運算成本，便於實際部署於資源有限的環境。

定義

學生模型是經由蒸餾學習教師模型行為的小型神經網絡。它可具有不同於教師模型的結構與參數量，但須具備相容的輸出空間。學生模型透過學習教師輸出的軟標籤（如 softmax 分布）、中間層特徵或注意力權重，來重現教師模型的分類邏輯與語意關聯。

特性

• 結構輕量，適合即時推論與邊緣部署
• 訓練時間短、收斂速度快
• 可搭配Feature-based Distillation、Relation-based Distillation等策略提升表現
• 不需與教師模型架構相同，具高度靈活性

訓練方式

學生模型的訓練損失結合教師模型的軟標籤與真實標籤，典型損失函數如下：

$L=\alpha \cdot {\mathcal {L}}_{\mathrm {CE} }(y,p)+(1-\alpha )\cdot T^{2}\cdot {\mathcal {L}}_{\mathrm {KL} }(q,p)$

其中：

• ${\mathcal {L}}_{\mathrm {CE} }$ 為交叉熵損失
• ${\mathcal {L}}_{\mathrm {KL} }$ 為KL 散度
• $T$ 為溫度參數，$\alpha$ 為權重系數
• $p$ 為學生模型預測，$q$ 為教師模型輸出分布

應用場景

• 流動裝置、瀏覽器端、IoT 裝置部署
• 線上推論系統之加速與簡化
• 多任務學習或Self-distillation環境中作為主學習模型

與教師模型比較

類別	教師模型	學生模型
大小	通常較大	較小，適合部署
訓練狀態	已完成訓練	蒸餾中學習中
輸出	完整 logits、特徵、注意力	模仿學習教師輸出

參見

• 知識蒸餾
• 教師模型
• Soft Target
• KL 散度
• 交叉熵損失
• Self-distillation

Category:機器學習 Category:人工智能