分类器持续学习方案：Elastic Weight Consolidation实战

引言

想象一下，你训练了一只聪明的导盲犬来识别10种不同的指令。某天你想教它认识第11种指令时，却发现它完全忘记了之前学过的所有指令——这就是机器学习中著名的"灾难性遗忘"问题。在智能客服场景中尤为常见：当我们想让AI学会识别新用户意图时，传统微调方法往往会导致模型遗忘已掌握的旧意图识别能力。

Elastic Weight Consolidation（弹性权重固化，简称EWC）正是解决这一痛点的关键技术。它就像给AI大脑中的"重要记忆"加上保护罩，让模型在学习新知识时不会覆盖关键旧知识。本文将带你用Python实现一个完整的EWC持续学习pipeline，从原理到代码实现，最终部署到智能客服系统中。

1. EWC技术原理解析

1.1 持续学习为什么难

传统神经网络训练有个致命缺陷：当用新数据训练时，网络参数会全盘更新，没有"哪些参数对旧任务重要"的概念。就像用新文件直接覆盖整个硬盘，而不是有选择地更新部分文件。

1.2 EWC如何解决问题

EWC的核心思想非常巧妙： - 首先确定哪些参数对旧任务至关重要（通过计算Fisher信息矩阵） - 然后在新任务训练时，对这些重要参数施加"弹性约束" - 约束强度由超参数λ控制，就像调节橡皮筋的松紧度

用生活类比：想象你在学法语（新任务），但不想忘记已掌握的英语（旧任务）。EWC相当于给英语中的关键语法规则贴上"重要标签"，让你在学习法语时不会随意改动这些英语核心知识。

2. 环境准备与数据加载

2.1 基础环境配置

推荐使用CSDN星图平台的PyTorch镜像（预装CUDA 11.7），以下是所需包：

pip install torch==1.13.1 torchvision==0.14.1 pip install numpy pandas tqdm

2.2 准备客服意图数据集

我们使用两个客服意图数据集来模拟持续学习场景：

import pandas as pd # 旧任务数据：基础客服意图 old_data = pd.read_csv("basic_intents.csv") # 包含问候、退款、投诉等10类 # 新任务数据：新增专业领域意图 new_data = pd.read_csv("domain_intents.csv") # 新增5类技术咨询意图

💡 提示
实际业务中，建议先将文本转化为BERT等向量，本文为简化直接使用预提取特征

3. 实现EWC持续学习Pipeline

3.1 基础分类器训练

首先训练一个基础分类器（旧任务）：

import torch import torch.nn as nn class IntentClassifier(nn.Module): def __init__(self, input_dim=768, num_classes=10): super().__init__() self.fc = nn.Linear(input_dim, num_classes) def forward(self, x): return self.fc(x) # 训练旧任务（常规训练） model = IntentClassifier() criterion = nn.CrossEntropyLoss() optimizer = torch.optim.Adam(model.parameters()) for epoch in range(10): for inputs, labels in old_loader: outputs = model(inputs) loss = criterion(outputs, labels) loss.backward() optimizer.step()

3.2 计算Fisher信息矩阵

这是EWC的核心步骤，用于确定参数重要性：

def compute_fisher(model, dataset): fisher_dict = {} model.eval() for name, param in model.named_parameters(): fisher_dict[name] = torch.zeros_like(param.data) for inputs, labels in dataset: model.zero_grad() outputs = model(inputs) loss = criterion(outputs, labels) loss.backward() for name, param in model.named_parameters(): fisher_dict[name] += param.grad.data ** 2 / len(dataset) return fisher_dict fisher_matrix = compute_fisher(model, old_loader)

3.3 带EWC约束的新任务训练

现在开始学习新意图，同时保护旧知识：

def ewc_loss(model, fisher_matrix, lambda_ewc=1000): loss = 0 for name, param in model.named_parameters(): loss += (fisher_matrix[name] * (param - old_params[name]) ** 2).sum() return lambda_ewc * loss # 保存旧参数 old_params = {n: p.clone().detach() for n, p in model.named_parameters()} # 扩展分类头以适应新类别 model.fc = nn.Linear(768, 15) # 10旧类 + 5新类 # 联合训练 for epoch in range(15): for inputs, labels in new_loader: outputs = model(inputs) # 标准交叉熵损失 + EWC约束损失 ce_loss = criterion(outputs, labels) total_loss = ce_loss + ewc_loss(model, fisher_matrix) total_loss.backward() optimizer.step()

4. 部署到智能客服系统

4.1 性能评估指标

测试模型在新旧意图上的表现：

def evaluate(model, old_test_loader, new_test_loader): # 测试旧任务准确率 old_correct = 0 for inputs, labels in old_test_loader: outputs = model(inputs) old_correct += (outputs.argmax(1)[:10] == labels).sum() # 测试新任务准确率 new_correct = 0 for inputs, labels in new_test_loader: outputs = model(inputs) new_correct += (outputs.argmax(1) == labels).sum() return old_correct/len(old_test_loader), new_correct/len(new_test_loader) old_acc, new_acc = evaluate(model, old_test_loader, new_test_loader) print(f"旧任务准确率：{old_acc:.2%} | 新任务准确率：{new_acc:.2%}")

4.2 关键参数调优建议

λ (lambda_ewc)：约束强度系数
太小 → 遗忘严重（建议从500开始尝试）
太大 → 新任务学习困难（通常不超过5000）
Fisher矩阵计算：
数据量：至少使用旧任务10%的数据计算
建议在模型收敛后计算，避免噪声

5. 常见问题与解决方案

5.1 新旧任务准确率不平衡

现象：旧任务准确率高但新任务学习效果差
解决： 1. 适当降低λ值 2. 增加新任务数据量 3. 使用渐进式学习率（新任务头几层学习率更高）

5.2 计算资源消耗大

优化方案：

# 只对关键层应用EWC约束（通常是最后几层） important_layers = ['fc.weight', 'fc.bias'] for name in list(fisher_matrix.keys()): if name not in important_layers: fisher_matrix[name] = 0 # 不约束非关键层

5.3 处理动态新增类别

当需要持续新增类别时：

# 动态扩展分类头 original_classes = model.fc.out_features new_classes = original_classes + num_new_classes new_fc = nn.Linear(model.fc.in_features, new_classes) with torch.no_grad(): new_fc.weight[:original_classes] = model.fc.weight new_fc.bias[:original_classes] = model.fc.bias model.fc = new_fc