知识蒸馏原理及BERT蒸馏实战

------------恢复内容开始------------

首发于https://zhuanlan.zhihu.com/p/503739300

前言

本文主要介绍知识蒸馏原理，并以BERT为例，介绍两篇BERT蒸馏论文及代码，第一篇论文是在下游任务中使用BiLSTM对BERT蒸馏，第二篇是对Transformer蒸馏，即TinyBert。

https://github.com/xiaopp123/knowledge_distillationgithub.com

知识蒸馏

https://arxiv.org/pdf/1503.02531.pdfarxiv.org

由于大模型参数量巨大，线上部署不仅对机器资源要求比较高而且推理速度慢，因此需要对模型进行压缩加速，知识蒸馏便是模型压缩的一种形式。

知识蒸馏（Knowledge Distillation）基于“教师-学生网络”思想，将已经训练好的大模型（教师）中的知识迁移到小模型（学生）训练中。

知识蒸馏分为两步：

在数据集上训练大模型（教师）
在高温T下，对大模型进行蒸馏，将大模型学习到的知识迁移到小模型（学生）上

下面介绍知识蒸馏在分类任务中的做法：

一般分类任务处理逻辑是通过softmax层将输出层输出的logits转化成概率分类，然后计算预估概率与真实标签的交叉熵作为损失进行梯度更新。

知识蒸馏是希望让小模型能够学到大模型的输出，为什么是输出呢？

因为真实标签是one-hot形式表示，计算预估概率与真实标签的交叉熵时无法学习到其他类目的知识，通过让小模型拟合大模型的输出，比单纯拟合真实标签能学到更多的知识。

大模型的输出有两种，分别是logits和经softmax层后概率，下面将分别介绍蒸馏中这两种输出的拟合方式。

拟合softmax

softmax层后得到的是各类目的概率分布，由于使用指数函数会放大logits，使类目的概率差异变大，知识蒸馏时使用温度（T）对logits放缩，从而使softmax后的概率分布不要有太大的差异，即能学到原始类目间关系。

高温蒸馏的损失函数为 $L=\alpha L_{soft} + \beta L_{hard}$ 。

$L_{soft}$ 为学生网络（Net-S）在相同高温（T）下经softmax后产出的概率分布与教师网络（Net-T）输出（soft target）的交叉熵，即 $L_{soft} = -\textstyle\sum_{i=1}^n p_{i}log(q_{i})$ ，其中 $p_{i}$ 是教师网络输出， $p_{i} = \frac{exp(v_{i}/T)}{\textstyle\sum_{k}^n exp(v_{k}/T)}$ ， $q_{i}$ q_{i} 是学生网络输出， $q_{i} = \frac{exp(z_{i}/T)}{\textstyle\sum_{k}^n exp(z_{k}/T)}$ 。

$L_{hard}$ 学生网络（Net-S）在经softmax后产出的概率分布（不用高温）与真实标签（hard target）的交叉熵组合，即 $L_{hard} = -\textstyle\sum_{i=1}^n c_{i}log(q_{i})$ ，其中 $c_{i}$ 是真实标签。

拟合logits

与拟合softmax层相比，这种方式较简单，最小化的目标函数是教师网络和学生网络输出logits的平方差，即 $L_{soft} = \textstyle\sum_{i=1}^n (v_{i} - z_{i})^{2}$

关于温度的理解

温度影响softmax层的输出，当T比较大时，每个类的输出概率会比较接近，这样能学习到能过其他类目的信息。

温度高低代表对负标签的关注程度，温度越高，负标签的值相对较大，学生网络能学习到更多负标签信息。

Distilling Task-Specific Knowledge from BERT into Simple Neural Networks

背景

BERT模型在下游任务fine-tuning后，由于参数量巨大，计算比较耗时，很难真正上线使用，该论文提出使用简单神经网络（单层BiLSTM）对fine-tuned BERT进行蒸馏，蒸馏后的BiLSTM模型与ELMo效果相同，但是参数量减少100倍且推理时间减少15倍。

https://arxiv.org/pdf/1903.12136.pdfarxiv.org

模型结构

以在训练集上fine-tune后的BERT模型作为teacher网络，BiLSTM作为student网络进行蒸馏训练，整体训练过程如下：

先用fine-tuning后的bert对训练数据进行预估，得到bert输出概率
然后使用BiLSTM网络对训练数据进行建模，得到BiLSTM输出概率
最后计算hard loss（BiLSTM输出概率分布与真实标签的交叉熵）和soft loss（BiLSTM与Bert输出logits的均方误差），加权作为损失

使用BiLSTM进行分类的结构如下，使用BiLSTM（b）对序列（a）进行学习，将前向（c）和后向（d）最后隐层向量拼接后连接带有relu激活函数的全连接层（efg）得到logit输出（h），再经softmax（i）得到概率分布（j）。

与原始BiLSTM相比，蒸馏bert是用fine-tuned Bert对文本（a）的输出logits与BiLSTM的学习的logits（h）做均方误差，使Bert能将知识转移给BiLSTM，也就是BiLSTM的输出与bert的输出接近，这便是teacher与student的含义。

损失函数如下： $\begin{aligned} L &= \alpha L_{CE} + (1-\alpha) L_{MSE} \\ &= - \alpha \textstyle\sum_{i=1}^n t_{i}log{y_{i}^{(S)}} + (1-\alpha) ||z^{(T)}-z^{(S)}||_{2}^{2} \end{aligned}$

模型效果

蒸馏后的BiLSTM在GLUE语料上的效果均优于普通的BiLSTM，在SST-2和QQP任务上效果与ELMo类似。

实现代码

https://github.com/xiaopp123/knowledge_distillation

TinyBERT: Distilling BERT for Natural Language Understanding

背景

为提高bert的推理和计算性能，论文提出使用Transformer蒸馏方式将Bert蒸馏至TinyBert，另外，论文还提出两阶段的学习框架，即预训练阶段和fine-tuning阶段都对Bert蒸馏。蒸馏后的TinyBert在GLUE任务集上能达到原始Bert的96.8%，模型大小比原来减少到7.5倍，推理性能提高到9.4倍。

模型结构

Transformer包含两部分：MHA（多头注意力层）和FFN（前馈神经网络）。如图所示，Transformer蒸馏方式正是基于MHA和FFN隐藏状态进行蒸馏的。

attention层蒸馏的损失函数如下，其中 $h$ 表示head number， $A_{i}$ 表示第 $i$ i 个head的注意力矩阵，维度为 $l*l$ ， $l$ 表示序列长度，这个损失函数的作用是使学生模型能学到教师模型中的注意力矩阵。

FNN隐藏蒸馏的损失函数如下，其中 $H^{T}$ 表示教师模型FNN网络的输出，维度为 $l*d$ ， $H^{S}$ 表示学生模型FNN网络的输出，维度为 $l*d'$ ，一般情况下， $d>d'$ ， $W_{h}$ 表示映射矩阵，维度为 $d'*d$ ，即将学生网络输出映射到教师网络输出向量维度上。

与FNN层蒸馏方式相同，论文对embedding层也进行蒸馏，损失函数如下所示：

输出层蒸馏

论文计算教师网络和学生网络输出logits的交叉熵作为输出层蒸馏损失函数

输出层蒸馏损失函数

综上，模型的蒸馏函数为：

训练过程

TinyBert学习过程分为两步：General Distillation和Task-specific Distillation。

Generation Distillation是指预训练阶段蒸馏，这部分使用的是通用数据集故称为General Distillation。

预训练阶段训练的TinyBert由于参数较少，与原始Bert相比在下游任务中的效果必然有损，因此论文提出针对下游任务的Task-specific Distillation，该过程以原始Bert作为教师模型，TinyBert作为学生模型在特定数据集上进行蒸馏学习。

实现代码

在下文fine-tuning任务，分两步进行训练，第一步是蒸馏Transformer，第二步是蒸馏下游任务输出层

Transormer蒸馏

# Transformer蒸馏
# 教师网络层数大于学生网络
teacher_layer_num = len(teacher_atts)
student_layer_num = len(student_atts)
assert teacher_layer_num % student_layer_num == 0
layers_per_block = int(teacher_layer_num / student_layer_num)
# attention层蒸馏
# 学生网络第i层学习教师网络第i * layers_per_block + layers_per_block - 1层
# 若学生网络是3，教师网络为12，则第0层学习第3层，第1层学第7层
new_teacher_atts = [teacher_atts[i * layers_per_block + layers_per_block - 1]
                    for i in range(student_layer_num)]

for student_att, teacher_att in zip(student_atts, new_teacher_atts):
    student_att = torch.where(student_att <= -1e2, torch.zeros_like(student_att).to(device),
                              student_att)
    teacher_att = torch.where(teacher_att <= -1e2, torch.zeros_like(teacher_att).to(device),
                              teacher_att)
    # attention层蒸馏损失为均方误差
    tmp_loss = loss_mse(student_att, teacher_att)
    att_loss += tmp_loss
# 前馈神经网络层和Embedding层蒸馏
# 学生第0层学习教师第0层，第0层是embedding层输出
# 第i层学习第layers_per_block * i层
new_teacher_reps = [teacher_reps[i * layers_per_block] for i in range(student_layer_num + 1)]
new_student_reps = student_reps
# 前馈神经网络层和Embedding层蒸馏均方误差
for student_rep, teacher_rep in zip(new_student_reps, new_teacher_reps):
    tmp_loss = loss_mse(student_rep, teacher_rep)
    rep_loss += tmp_loss

loss = rep_loss + att_loss

输出层蒸馏

# 输出层蒸馏
# 分类任务是教师网络和学生网络输出logits交叉熵
if output_mode == "classification":
    cls_loss = soft_cross_entropy(student_logits / args.temperature,
                                  teacher_logits / args.temperature)
elif output_mode == "regression":
    loss_mse = MSELoss()
    cls_loss = loss_mse(student_logits.view(-1), label_ids.view(-1))

loss = cls_loss

这里重点讲一下如何针对具体下游任务进行fine-tuning：

数据准备

这里可以是自己的数据集，也可以是GLUE任务。

预训练模型

需要下载Bert预训练模型和TinyBert预训练模型。

Bert预训练模型在HuggingFace官网“Model”模块输入bert，找到适合自己的bert预训练模型，在“Files and versions”选择自己需要模型和文件下载，目前好像只能一个一个文件下载。

TinyBert预训练模型：huawei-noah (HUAWEI Noah's Ark Lab)

Transformer蒸馏

python task_distill.py --teacher_model ${FT_BERT_BASE_DIR}$ \
                       --student_model ${GENERAL_TINYBERT_DIR}$ \
                       --data_dir ${TASK_DIR}$ \
                       --task_name ${TASK_NAME}$ \ 
                       --output_dir ${TMP_TINYBERT_DIR}$ \
                       --max_seq_length 128 \
                       --train_batch_size 32 \
                       --num_train_epochs 10 \
                       --aug_train \
                       --do_lower_case

输出层蒸馏

python task_distill.py --pred_distill  \
                       --teacher_model ${FT_BERT_BASE_DIR}$ \
                       --student_model ${TMP_TINYBERT_DIR}$ \
                       --data_dir ${TASK_DIR}$ \
                       --task_name ${TASK_NAME}$ \
                       --output_dir ${TINYBERT_DIR}$ \
                       --aug_train  \  
                       --do_lower_case \
                       --learning_rate 3e-5  \
                       --num_train_epochs  3  \
                       --eval_step 100 \
                       --max_seq_length 128 \
                       --train_batch_size 32

参考

https://github.com/airaria/TextBrewer
https://github.com/qiangsiwei/bert_distill
https://towardsdatascience.com/simple-tutorial-for-distilling-bert-99883894e90a
潘小小：【经典简读】知识蒸馏(Knowledge Distillation) 经典之作

posted @ 2022-04-23 21:44 zhaop 阅读(1261) 评论(0) 编辑收藏举报

刷新页面返回顶部

zhaop

所谓梦想，不是最初的勇不可当，而是永不停息的疯狂

知识蒸馏原理及BERT蒸馏实战

前言

知识蒸馏

Distilling Task-Specific Knowledge from BERT into Simple Neural Networks

背景

模型结构

模型效果

实现代码

TinyBERT: Distilling BERT for Natural Language Understanding

背景

模型结构

训练过程

实现代码

参考

公告