知识蒸馏适用于移动应用吗？
知识蒸馏非常适用于移动应用。其核心目的是模型压缩，使复杂的 AI 模型能在资源受限的移动设备上高效运行。
它将知识从大型高性能"教师"模型迁移到更小、更简单的"学生"模型。这通常涉及训练学生模仿教师的输出（logits）或中间表示，而不仅仅是硬标签。关键注意事项包括训练时可用的计算资源、仔细选择兼容的教师/学生架构，以及为移动任务定义有效的蒸馏损失函数。
对于移动端部署，蒸馏后的学生模型具有显著优势：模型体积减小、计算需求降低（CPU/GPU 周期减少）以及推理延迟更快，这对良好的用户体验至关重要。实际实施时，先训练强大的教师模型，再使用蒸馏特定损失训练学生模型以复制其行为。然后将紧凑的学生模型部署在设备上，实现复杂的设备端 AI，同时减少电池消耗和带宽需求。
相关问题
模型微调和重新训练之间差别大吗？
微调是使用相对较小的数据集将预训练模型适配到特定任务，而重新训练则是从头开始使用大量（通常是特定任务）数据构建新的模型架构。两种方法都能实现模型更新，但在方法和资源需求上有显著差异。 微调修改已建立模型（如 BERT 或 GPT）的权重，这些模型已在大量通用数据上训练。与重新训练相比，它所需的数据...
零样本学习和小样本学习有什么区别？
零样本学习（ZSL）使模型能够识别或分类在训练期间没有可用标记训练样本的对象。相比之下，小样本学习（FSL）利用极少量（如 1-5 个）每个新类别的标记样本来适配模型。 零样本学习主要通过利用预先存在的语义知识或辅助信息（如类别属性、文本描述或嵌入）来将学习到的概念迁移到未见过的类别。小样本学习专...
小样本学习的应用场景有哪些？
小样本学习使模型仅凭少量标记样本就能有效学习新概念或执行任务。其核心能力是从最少数据中高效获取知识。 这种方法在收集大量数据集不切实际或不可能的情况下极为有价值。关键应用场景包括：在医学影像中识别罕见疾病、在计算机视觉中识别新颖对象或场景、在语音识别中适应特定语音命令或口音、以及以最少的显式用户反...
BLEU 指标和 ROUGE 有什么区别？
BLEU 和 ROUGE 都是评估 NLP 模型生成文本质量的自动化指标，但它们衡量的方面不同。BLEU 主要评估精确率（匹配的正确性），而 ROUGE 则强调召回率（内容捕获的全面性）。 BLEU 计算候选文本与参考文本之间的 n-gram 精确率，并对过短的输出进行惩罚。它对精确的词汇匹配高度...