只包含加法操作的加法神经网络 (ANN)为开发低能耗的深层神经网络提供了一种新的途径。但是，当用加法滤波器替换原始的卷积滤波器时会带来精度下降。其主要原因是采用L1-范数进行神经网络优化比较困难。在这种情况下，反向传播的梯度通常会估计不准确。本文提出一种在不增加可训练参数的前提下，通过基于核的渐进式知识蒸馏（PKKD）方法进一步提高ANN的性能。我们将与ANN具有相同结构的卷积神经网络（CNN）进行随机初始化并作为教师网络，将ANN和CNN的特征和权重通过核变换映射到一个新的空间，减少了分布之间的差异，从而消除了精度下降问题。最后，ANN通过渐进的方法同时学习标签和教师网络的知识。该方法在几个标准数据集上得到了很好的验证，从而有效地学习了具有较高性能的ANN。例如，使用所提出的PKKD方法训练的ANN-50在ImageNet数据集上获得76.8%的精度，比相同结构的ResNet-50高0.6%。

https://www.zhuanzhi.ai/paper/3cb74130e9cf983a7247e0d4a0d6bbce