一、高效的训练
1、Large-batch training
使用大的batch size可能会减小训练过程（收敛的慢？我之前训练的时候挺喜欢用较大的batch size），即在相同的迭代次数下，
相较于使用小的batch size，使用较大的batch size会导致在验证集上精度下降。文中介绍了四种方法。
Linear scaling learning rate
梯度下降是一个随机过程，增大batch size不会改变随机梯度的期望，但是减小了方差（variance）。换句话说，增大batch size
可以减小梯度中的噪声，所以，此时应该增大学习率来进行调整：随着batch size的增加，线性增加学习率。比如，初始学习率0.1，
batch size=256，当batch size增加为b时，学习率为0.1×b/256
Learning rate warmup
开始使用一个较小的学习率，当训练稳定后，再切换回初始学习率。例如使用5个epochs来warm up，初始学习率为n，在第i个batch,
1<=i<=m,学习率lr=i*n/m
Zero γ
在残差模块中，最后一层为BN层，先对x标准化输出为x̂, 再做一个尺度变换γ x̂ + β。γ和β都为可学习参数，被初始化为1和0。Zero γ
策略是，对于残差模块最后的BN层，γ设为0，相当于网络有更少的层数，在初始阶段更容易训练。
No bias decay
weight decay一般应用在所有可学习参数上，包括weight和bias。为了防止过拟合，只在weights上做正则化，其他参数，包括bias，BN中的
γ和β都不做正则化。
2、Low-precision training
用FP16对所有的parameters和activations进行存储和梯度的计算，与此同时使用FP32对参数进行拷贝用于参数的更新。另外，在损失函数上
乘以一个标量来将梯度的范围更好的对齐到FP16也是一个实用的做法
3、实验
很奇怪的对比实验，应该再加上相同的batch size才更有说服力啊。
二、Model Tweaks
Model Tweaks是指修改模型的结构，比如某个卷基层的stride。本文以resnet为例，探讨这些tweak对精度的影响。
1、ResNet Architecture
一个典型的resnet50结构如下，其中input stem首先使用7*7卷积，stride=2，接着一个3*3的maxpool，stride=2。
input stem将特征减小至1/4，维度增加至64。从state2开始，每个stage包括down sampling和2个residual模块，如图。
2、ResNet Tweaks
resnet-B更改了down sampling中 stride=2的位置，不让1*1的stride=2，
resnet-C将input stem中的7×7卷积用3个3*3代替（节省参数），前两个c=32，最后一个为64.。
为了减小stride=2，1*1卷积的损失，增加avg pool，conv stride=1（这样就不损失吗。。。）对比发现，
resnet-D效果最好。
三、Training Refinements
通过介绍训练中的策略，进一步提高模型准确率
Cosine Learning Rate Decay
其中η是学习率（不包括warm up阶段），不过看validation accur，step decay并不差于cosine decay啊
Label Smoothing
正常的交叉熵损失在预测的时候，对于给定的数据集的label，将正例设为1，负例设为0，是一个one-hot向量。这样子会有一些问题，
模型对于标签过于依赖，当数据出现噪声的时候，会导致训练结果出现偏差。增加一个变量ϵ，对类别进行平滑，此时loss变为，其中p(y)为真是标签，
p(c)为输出类别概率。
参考： https://zhuanlan.zhihu.com/p/53849733
https://www.cnblogs.com/zyrb/p/9699168.html
Knowledge Distillation
主要用于将大网络压缩为小网络，损失函数为，其中z和r分别是student model和teacher model的输出，p是真实标签的分布
Mixup Training
使用线性插值混合两个样本，构成新的样本，并使用新样本进行训练（没用过知识蒸馏，这意思是teacher model和student model一起训练？）。
实验
知识蒸馏对mobilnet，inception-v3并没有提升，因为teacher model是resnet，与它们不同。
