知识蒸馏----教师和学生模型：将已训练完善的模型作为教师模型，通过控制“温度”从模型的输出结果中“蒸馏”出“知识”用于学生模型的训练，并希望轻量级的学生模型能够学到教师模型的“知识”，达到和教师模型相同的表现。

本质上属于迁移学习

优点：

1.节省成本。由于使用现有的已经训练好的模型模型，将其中蕴含的信息用于指导新的训练阶段，避免了重新学习耗费的时间。

2.保护隐私。将模型和知识表示进行分离，从而在训练过程中将教师模型作为“黑盒”处理，可以避免直接暴露敏感数据，达到隐私保护效果．

3.模型简单。将复杂的深层网络模型向浅层的小型网络模型迁移知识。

分类：

离线蒸馏：老师模型传授给学生模型，不参与训练。

在线蒸馏：老师模型没有预训练，准备和学生模型一同进行训练，在一同训练的过程中来指导学生模型进行学习，完成知识蒸馏。

自蒸馏：老师模型和学生模型是一个模型，也就是一个模型来指导自己进行学习，完成知识蒸馏