一、知识蒸馏Knowledge Distillation

学生网络学习老师网络。

学生可以学到训练资料可能没有提供的东西。
老师也可以是很多个模型的投票结果：

温度常数用于softmax：可以让分布变平滑。这是一个超参数，不能非常大（会变成所有参数都一样）

这里有平滑的分布，就不是one-hot一样的东西（要么是0，要么是1），这样就不是给一个标准答案了！可以给额外更多的信息。

二、参数量化

• 1.使用较少的位来表示一个值
•2.权重聚类（确定了分布之后取平均）
3.用较少的比特表示频繁的聚类，用较多的比特表示罕见的聚类，例如霍夫曼编码。

压缩到参数只有+1或者-1，binary weights

结构设计:深度方向可分卷积Depthwise Separable Convolution

有几个channel就有几个filter，每个filter管理每个channel。问题：chanel之间没有联系

1、Depthwise Convolution

filter是1*1的

专注于channel之间的关系。

参数量少了很多
low rank approximation也是减少了参数的方法，但是还是有限制：减少了W的可能性，不是所有的w都能做为参数。

Depthwise Separable Convolution跟这个也很像：

三、动态计算Dynamic Computation

网络根据需要调整计算。

为什么我们不准备一套模型？根据需要选择不同的模型？麻烦！
怎么做呢？让网络自由调整深度，增加额外的层。

也可以改变宽度：

这两种方法都是让L越小越好。
不同的压缩对应于不同的应用：简单的图片可以在小的层就能结束，难的图片在多的层结束。

四、From on-policy to off-policy（PPO）

不止一次地利用经验
on-policy :学习的代理和与环境交互的代理是相同的。
off-policy:代理学习和与环境交互的代理是不同的。


期望一样但是不代表variance一样。

这里希望取样足够多，那么variance就相近。

这里做了修正之后，从θ’（跟环境互动）里面取样，而我们也可以通过更新多次θ的参数之后采取做一次参数取样。


这两个θ的分布不能相差太多，PPO做的解决这个问题

TRPO是比较难做的
我们引入KL散度，希望两个actor上的分布越近越好，不是参数上的差距。

横轴是θ的p相除，在A>0的时候（得分好），我们希望Pθ越大越好，但是和Pθk之间的差距不要太大，限制最大为1+E，如果比1+E大那就只要1+E，不让他继续增大了。
如果A<0的时候（得分低），希望Pθ越小越好，但是希望最低是1-E。