Оптимізація ML-моделі (дистиляція) для мобільного пристрою

Мобільна нейромережа повинна бути легкою, але точною. Knowledge Distillation — метод, який дозволяє стиснути велику модель без критичної втрати якості. Ми застосували цей підхід на десятках проєктів: від класифікації зображень до NLP на пристрої. Результат — модель у 10 разів менша при падінні точності всього на 1–2%. Такий підхід особливо затребуваний у мобільній ML, де кожен мегабайт і мілісекунда на рахунку. Зв'яжіться з нами — ми проведемо аудит вашої моделі та запропонуємо план дистиляції.

Чому м'які мітки працюють краще

Звичайне навчання: правильний клас = 1.0, інші = 0.0. Hard labels. Вчитель на зображенні кішки видає: кішка 0.85, рись 0.08, тигр 0.04, собака 0.02 ... Ці «м'які» мітки несуть інформацію, що рись схожа на кішку більше, ніж літак. Студент, навчений на таких мітках, засвоює структуру простору ознак, а не просто рішення бінарного класифікатора. Це суть парадигми student-teacher.

import torch
import torch.nn.functional as F

def distillation_loss(student_logits, teacher_logits, true_labels, temperature=4.0, alpha=0.7):
    """
    alpha — вага дистиляції vs hard label loss
    temperature — згладжує розподіл вчителя
    """
    # Soft targets loss (KL divergence між студентом і вчителем)
    soft_teacher = F.softmax(teacher_logits / temperature, dim=-1)
    soft_student = F.log_softmax(student_logits / temperature, dim=-1)
    distill_loss = F.kl_div(soft_student, soft_teacher, reduction='batchmean') * (temperature ** 2)

    # Hard label loss (звичайна крос-ентропія)
    hard_loss = F.cross_entropy(student_logits, true_labels)

    return alpha * distill_loss + (1 - alpha) * hard_loss

temperature ** 2 — нормалізуючий множник, що компенсує масштаб градієнтів при високій температурі. Без нього distill_loss і hard_loss знаходяться в різних масштабах.

Вибір архітектури студента

Студент повинен бути меншим за вчителя, але не довільно. Хороші базові архітектури для мобіля:

• MobileNetV3-Small — 2.5 МБ, проєктувався для мобіля з нуля, depthwise separable convolutions
• EfficientNet-Lite0/1 — хороший баланс точність/швидкість
• MobileViT-XXS — hybrid CNN+Transformer, 1.3 МБ
• DistilBERT (для NLP) — вже дистильований з BERT, 66 МБ vs 440 МБ

Для задач детекції об'єктів на мобілі: студент на базі YOLOv8n (8 МБ) дистилюється з YOLOv8l (87 МБ).

Як порівнюються методи дистиляції?

Існує декілька підходів до дистиляції, що відрізняються за складністю та результатом. Основні: логіт-дистиляція (за виходами), дистиляція проміжних шарів та data-free дистиляція. Вибір залежить від доступності даних та вимог до точності.

Етапи дистиляції (кроки)

1. Підготовка вчителя: донавчити або квантизувати існуючу модель, заморозити ваги.
2. Вибір архітектури студента: під ресурсний бюджет (RAM, CPU, latency).
3. Налаштування гіперпараметрів: temperature (зазвичай 2-8), alpha (0.5-0.9), вибір шарів для проміжної дистиляції.
4. Навчання студента: мінімізація комбінованого loss, моніторинг валідаційної точності.
5. Конвертація в Core ML/TFLite з квантизацією int8 для фінального розміру.
6. Валідація на реальних пристроях: перевірка латентності та точності.

Процес дистиляції: приклад для класифікації

# Припустимо: вчитель — ResNet-50, студент — MobileNetV3-Small
teacher = torchvision.models.resnet50(pretrained=True).eval()
student = torchvision.models.mobilenet_v3_small(pretrained=False)

# Заморожуємо вчителя
for param in teacher.parameters():
    param.requires_grad = False

optimizer = torch.optim.AdamW(student.parameters(), lr=1e-3, weight_decay=1e-4)
scheduler = torch.optim.lr_scheduler.CosineAnnealingLR(optimizer, T_max=100)

for epoch in range(100):
    student.train()
    for images, labels in train_loader:
        with torch.no_grad():
            teacher_logits = teacher(images)

        student_logits = student(images)

        loss = distillation_loss(student_logits, teacher_logits, labels,
                                  temperature=4.0, alpha=0.7)

        optimizer.zero_grad()
        loss.backward()
        optimizer.step()

    scheduler.step()
    val_acc = evaluate(student, val_loader)
    print(f"Epoch {epoch}: student_acc={val_acc:.4f}")

Типові результати: MobileNetV3-Small навчений звичайно — 67–68% top-1 на ImageNet. Після дистиляції з ResNet-50 — 71–72%. Приріст 3–4% за рахунок knowledge transfer.

Як працює intermediate layer distillation?

Дистиляція лише за виходами (logits) — базовий варіант. Більш сильний: додаємо відповідність проміжних feature maps.

# FitNets / PKT: студент вчить feature maps вчителя
class DistillationHook:
    """Хук для захоплення проміжних активацій"""
    def __init__(self):
        self.output = None

    def __call__(self, module, input, output):
        self.output = output

teacher_hook = DistillationHook()
student_hook = DistillationHook()

# Реєструємо на відповідних шарах
teacher.layer3.register_forward_hook(teacher_hook)
student.features[9].register_forward_hook(student_hook)  # Analogous layer

# В циклі навчання додаємо feature distillation loss
with torch.no_grad():
    teacher(images)
teacher_features = teacher_hook.output

student(images)  # з grad
student_features = student_hook.output

# Якщо розмірності відрізняються — потрібен adapter (1x1 Conv)
if teacher_features.shape[1] != student_features.shape[1]:
    student_features = adapter_conv(student_features)  # adapter навчається разом

feature_loss = F.mse_loss(student_features, teacher_features.detach())

Такий підхід потребує вирівнювання розмірностей feature maps між вчителем і студентом — через adapter 1×1 згортки. Адаптер додає трохи параметрів студенту, але залишається маленьким.

Як дистилювати модель, якщо вихідні дані недоступні?

Іноді вихідний датасет недоступний (IP restrictions, privacy). Data-free distillation — генеруємо синтетичні дані, які максимізують активації вчителя:

# DAFL (Data-Free Learning): генератор створює «зразки» для дистиляції
generator = Generator(latent_dim=256, img_channels=3)
optimizer_G = torch.optim.Adam(generator.parameters(), lr=1e-4)

for step in range(1000):
    z = torch.randn(batch_size, 256)
    fake_images = generator(z)

    # Втрати: максимізуємо впевненість вчителя + мінімізуємо BatchNorm statistics mismatch
    teacher_out = teacher(fake_images)
    activation_loss = -teacher_out.max(dim=1)[0].mean()  # вчитель повинен бути впевненим

    # BN statistics matching
    bn_loss = compute_bn_statistics_loss(teacher, fake_images)

    total_loss = activation_loss + 0.1 * bn_loss
    optimizer_G.zero_grad()
    total_loss.backward()
    optimizer_G.step()

Якість data-free дистиляції нижча за повноданний варіант, але іноді це єдиний варіант.

Дистиляція для NLP задач на мобілі

Для мобільних застосунків з NLP (класифікація відгуків, визначення intent, сумаризація): дистилюємо з GPT-4 / Claude API відповідей у маленький BERT/DistilBERT.

# Збираємо soft labels від вчителя (GPT-4 API)
# Для кожного навчального прикладу запитуємо ймовірності класів
# Зберігаємо як навчальні мітки для студента
# Студент — DistilBERT fine-tuned на цих м'яких мітках

DistilBERT (66 МБ, ONNX int8 — 18 МБ) працює на пристрої за 30–80 мс на iOS/Android. GPT-4 в хмарі — сотні мс, гроші за запити.

Що входить в роботу

• Аналіз ресурсного бюджету: RAM, CPU, GPU, енергоспоживання
• Вибір архітектури студента під ваші обмеження
• Підготовка вчителя (донавчання, квантизація)
• Дистиляція з підбором гіперпараметрів (temperature, alpha, intermediate layers)
• Валідація на тестовій вибірці та на реальних пристроях
• Конвертація в Core ML / TFLite з квантизацією int8
• Інтеграція та супровід (апдейти при нових версіях ОС)

Наша команда має 10+ років досвіду в мобільній розробці та ML. Ми гарантуємо, що модель буде стабільно працювати на пристроях з iOS 14+ та Android 10+. Отримайте консультацію інженера по вашій моделі — це безкоштовно. Замовте дистиляцію — ми підготуємо попередню оцінку за 1 день.

Орієнтири за термінами

Базова логіт-дистиляція для класифікаційної задачі — 2–4 тижні (GPU-час плюс підбір гіперпараметрів). Повна дистиляція з проміжними шарами, нестандартними архітектурами, data augmentation — 5–10 тижнів. Індивідуальний розрахунок — за запитом.

Додатково: Knowledge Distillation на Wikipedia, туторіал PyTorch.

Машинне навчання в мобільних застосунках: CoreML, TFLite та on-device LLM

Ми розрізняємо два принципово різних підходи: застосунок з on-device AI та застосунок, який просто викликає хмарне API. Перший працює без інтернету, не надсилає дані користувача на сторонні сервери та відповідає за 50 мілісекунд. Другий залежить від затримки мережі та тарифного плану. Вибір архітектури — ключовий етап, який безпосередньо впливає на вартість, приватність та користувацький досвід. Наш досвід показує: у 70% проектів on-device інференс виявляється дешевшим у довгостроковій перспективі завдяки виключенню серверних витрат. Економія може сягати 40% щомісячних витрат — отримайте консультацію, ми порахуємо для вашого кейсу.

Як вибрати між CoreML та TFLite для on-device інференсу?

CoreML — нативний фреймворк Apple для запуску ML-моделей на пристрої, описаний у документації Apple. Підтримує Neural Engine (A11 Bionic та новіші), GPU та CPU як fallback. Моделі конвертуються у формат .mlmodel через coremltools з PyTorch, ONNX або TensorFlow. Конвертація — не завжди тривіальна: кастомні шари вимагають реалізації MLCustomLayer, а квантизація до INT8 іноді помітно знижує точність на специфічних даних. Ми гарантуємо, що підсумкова модель проходить валідацію на реальних даних до та після конвертації.

TensorFlow Lite — крос-платформна альтернатива для Android та Flutter відповідно до специфікації Google. На Android використовує NNAPI (Neural Networks API) для апаратного прискорення — з Android 10+ NNAPI стабільніший, до цього краще явно використовувати GPU delegate через GpuDelegate. Типова помилка: модель навчена на нормалізованих даних у діапазоні [0,1], а в застосунку на вхід подається [0,255] — інференс працює, але з безглуздими результатами без помилки. Ми включаємо модуль автоматичної валідації вхідних даних у SDK.

Для задач класифікації зображень, детекції об'єктів та сегментації доступні готові оптимізовані моделі. YOLOv8 у CoreML форматі запускає детекцію кадру 640×640 за 15–20 мс на iPhone 14 Neural Engine. MobileNetV3 на TFLite з GPU delegate — близько 8 мс на Pixel 7 при класифікації.

Що робити, якщо потрібна генерація тексту на пристрої?

Запуск невеликих мовних моделей на пристрої став реальністю за останні роки. Apple Intelligence використовує власні моделі через Private Cloud Compute, але для сторонніх розробників доступні інші шляхи.

llama.cpp з Metal backend на iOS — робочий підхід для phi-3-mini (3.8B параметрів, 4-bit квантизація, ~2.3 ГБ). Інференс: 15–25 токенів/секунду на iPhone 15 Pro. Для інтеграції в Swift використовуємо Swift Package llama.swift або обгортку через C-інтерфейс llama.h. Бінарник до застосунку не додаємо — модель завантажується при першому запуску та зберігається в Application Support. Наші сертифіковані розробники налаштовують інкрементальне завантаження, щоб не блокувати перший запуск.

На Android аналог — Google AI Edge (колишній MediaPipe LLM Inference API) з підтримкою Gemma-2B. Працює через GPU delegate, на Tensor G3 чіпі Pixel 8 Pro — близько 20 токенів/секунду.

Інтеграція OpenAI API та інших хмарних моделей

Для сценаріїв, де cloud inference допустимий, інтеграція OpenAI, Anthropic або Google Gemini — це HTTP клієнт + streaming SSE. У Swift зручно через AsyncThrowingStream для стрімінгових відповідей. У Kotlin — через Flow.

Критично важливо: API-ключі ніколи не зберігаються в бандлі застосунку. Навіть обфускований ключ витягується з IPA за 10 хвилин через strings або frida. Правильна архітектура: мобільний застосунок → власний backend → OpenAI API. Backend контролює rate limiting, логує запити, захищає ключ.

Що входить у роботу (результати)

• Навчена та квантизована модель під цільовий пристрій (документація за метриками)
• SDK для інтеграції (Swift/Kotlin/Flutter) з прикладами виклику
• Тести продуктивності на 3–5 реальних пристроях
• Інструкція з оновлення моделі OTA
• Підтримка при проходженні модерації App Store / Google Play (перевірка відповідності Guidelines 4.2, 5.1)
• 2 тижні технічної підтримки після релізу

Типовий пайплайн проекту

1. Аналіз завдання — вимірюємо latency, privacy, size, підтримувані пристрої.
2. Прототипування моделі — в Python, оцінка accuracy на цільових даних.
3. Конвертація та квантизація — під CoreML/TFLite з валідацією.
4. Інтеграція в застосунок — модель обгортається в сервісний шар (легко замінювати CoreML → TFLite → хмара).
5. Тестування — на реальних пристроях, вимір FPS, RAM, батареї.
6. Деплой — через TestFlight / Firebase App Distribution, моніторинг метрик.

Терміни: інтеграція готової CoreML/TFLite моделі — 1–2 тижні, розробка кастомної моделі з мобільною оптимізацією — від 6 тижнів, on-device LLM чат з персоналізацією — 4–8 тижнів.

Чому ми беремося за складні кейси?

10+ років досвіду в мобільній розробці, 50+ впроваджених AI/ML рішень, гарантія сумісності з актуальними версіями iOS та Android. Всі проекти проходять code review та навантажувальне тестування. У вартість вже входить підготовка документації для модерації та навчання вашої команди.

Зв'яжіться з нами — ми допоможемо вибрати архітектуру та впровадити ML у ваш застосунок під ключ. Замовте аудит наявного рішення — безкоштовно оцінимо потенціал економії серверних витрат. Отримайте консультацію експерта — напишіть нам сьогодні.