一、对比Curriculum Learning 与 Knowledge Distillation

1.从结果上看

Curriculum Learning

• 在相同的训练样本下，相比于一般的训练方法，使用 Curriculum Learning 的方法训练模型将消耗更少的训练时间，训练得到的模型也将拥有更强大的泛化能力；总的来说也就是 Curriculum 让模型更快地达到更好的泛化能力。

Knowledge Distillation

• 在相同的训练样本下，相比于一般的训练方法，使用 Knowledge Distillation 的方法训练得到的将是经过teacher模型蒸馏后的暗知识，暗知识相比原标签提供的信息更准确、更广泛，student通过学习暗知识可以实现更快地达到更好的泛化能力，也可用用来部署在轻量级的网络上以到达重量级网络的泛化能力。

2.从目的上看

Curriculum Learning

• 使用 Curriculum Learning 是为了提高模型训练速度，使模型更能找到最优的参数从而获得强大的泛化能力。

Knowledge Distillation

• 使用 Knowledge Distillation 是为了获得更准确、更广泛的暗知识。

3.从实现上看

Curriculum Learning

• Curriculum Learning 依据“从易到难”的训练策略，根据样本的难易程度，给不同难度的训练样本分配不同的权重。初始阶段，给简单样本的权重最高，随着训练过程的持续，较难样本的权重将会逐渐被调高。

Knowledge Distillation

• Knowledge Distillation 使用teacher模型对数据进行训练，训练完成后选取适当的温度T将teacher模型的输出经过softmax函数得到暗知识。

总的来说，Curriculum Learning 所做的是改变模型的训练方法（或者说训练顺序）以达到加速机器学习模型的训练，使模型获得更好的泛化性能，即能让模型训练到更好的局部最优值状态。而 Knowledge Distillation 则是通过改变模型训练的样本标签（暗知识）来达到更快地达到更好的泛化能力，或者轻量级模型向重量级模型靠拢的目的。两种方法的思考最大的不同处就是在于为了进一步提高训练效率，样本数据的使用从顺序与精度两个方面去思考。

二、论文阅读

1.CurricularFace: Adaptive Curriculum Learning Loss for Deep Face Recognition

• Curriculum Learning 在人脸识别的应用