共计 6577 个字符，预计需要花费 17 分钟才能阅读完成。
机器学习模型曾经变得越来越大，即便应用经过训练的模型当硬件不合乎模型对它应该运行的冀望时，推理的工夫和内存老本也会飙升。为了缓解这个问题是应用蒸馏能够将网络放大到正当的大小，同时最大限度地缩小性能损失。
咱们在以前的文章中介绍过 DistilBERT [1] 如何引入一种简略而无效的蒸馏技术，该技术能够轻松利用于任何相似 BERT 的模型，但没有给出任何的代码实现，在本篇文章中咱们将进入细节，并给出残缺的代码实现。
学生模型的初始化
因为咱们想从现有模型初始化一个新模型，所以须要拜访旧模型的权重。本文将应用 Hugging Face 提供的 RoBERTa [2] large 作为咱们的老师模型，要取得模型权重，必须晓得如何拜访它们。
Hugging Face 的模型构造
能够尝试的第一件事是打印模型，这应该让咱们深刻理解它是如何工作的。当然，咱们也能够深入研究 Hugging Face 文档 [3]，但这太繁琐了。
from transformers import AutoModelForMaskedLM
roberta = AutoModelForMaskedLM.from_pretrained("roberta-large")
print(roberta)运行此代码后失去：
在 Hugging Face 模型中，能够应用 .children() 生成器拜访模块的子组件。因而，如果咱们想应用整个模型，咱们须要在它下面调用 .children()，并在每个子节点上调用，这是一个递归函数，代码如下：
from typing import Any
from transformers import AutoModelForMaskedLM
roberta = AutoModelForMaskedLM.from_pretrained("roberta-large")
def visualize_children(
object : Any,
level : int = 0,
) -> None:
"""
Prints the children of (object) and their children too, if there are any.
Uses the current depth (level) to print things in a ordonnate manner.
"""print(f"{'' * level}{level}- {type(object).__name__}")
try:
for child in object.children():
visualize_children(child, level + 1)
except:
pass
visualize_children(roberta)这样取得了如下输入
看起来 RoBERTa 模型的构造与其余相似 BERT 的模型一样，如下所示：
复制老师模型的权重
要以 DistilBERT [1] 的形式初始化一个相似 BERT 的模型，咱们只须要复制除最深层的 Roberta 层之外的所有内容，并且删除其中的一半。所以这里的步骤如下：首先，咱们须要创立学生模型，其架构与老师模型雷同，但暗藏层数减半。只须要应用老师模型的配置，这是一个相似字典的对象，形容了 Hugging Face 模型的架构。查看 roberta.config 属性时，咱们能够看到以下内容：
咱们感兴趣的是 numhidden -layers 属性。让咱们写一个函数来复制这个配置，通过将其除以 2 来扭转属性，而后用新的配置创立一个新的模型:
from transformers.models.roberta.modeling_roberta import RobertaPreTrainedModel, RobertaConfig
def distill_roberta(teacher_model : RobertaPreTrainedModel,) -> RobertaPreTrainedModel:
"""
Distilates a RoBERTa (teacher_model) like would DistilBERT for a BERT model.
The student model has the same configuration, except for the number of hidden layers, which is // by 2.
The student layers are initilized by copying one out of two layers of the teacher, starting with layer 0.
The head of the teacher is also copied.
"""
# Get teacher configuration as a dictionnary
configuration = teacher_model.config.to_dict()
# Half the number of hidden layer
configuration['num_hidden_layers'] //= 2
# Convert the dictionnary to the student configuration
configuration = RobertaConfig.from_dict(configuration)
# Create uninitialized student model
student_model = type(teacher_model)(configuration)
# Initialize the student's weights
distill_roberta_weights(teacher=teacher_model, student=student_model)
# Return the student model
return student_model这个函数 distill_roberta_weights 函数将把老师的一半权重放在学生层中，所以依然须要对它进行编码。因为递归在摸索老师模型方面工作得很好，能够应用雷同的思维来摸索和复制某些局部。这里将同时在老师和学生的模型中迭代，并将其从一个到另一个进行复制。惟一须要留神的是暗藏层的局部，只复制一半。
函数如下:
from transformers.models.roberta.modeling_roberta import RobertaEncoder, RobertaModel
from torch.nn import Module
def distill_roberta_weights(
teacher : Module,
student : Module,
) -> None:
"""
Recursively copies the weights of the (teacher) to the (student).
This function is meant to be first called on a RobertaFor... model, but is then called on every children of that model recursively.
The only part that's not fully copied is the encoder, of which only half is copied."""
# If the part is an entire RoBERTa model or a RobertaFor..., unpack and iterate
if isinstance(teacher, RobertaModel) or type(teacher).__name__.startswith('RobertaFor'):
for teacher_part, student_part in zip(teacher.children(), student.children()):
distill_roberta_weights(teacher_part, student_part)
# Else if the part is an encoder, copy one out of every layer
elif isinstance(teacher, RobertaEncoder):
teacher_encoding_layers = [layer for layer in next(teacher.children())]
student_encoding_layers = [layer for layer in next(student.children())]
for i in range(len(student_encoding_layers)):
student_encoding_layers[i].load_state_dict(teacher_encoding_layers[2*i].state_dict())
# Else the part is a head or something else, copy the state_dict
else:
student.load_state_dict(teacher.state_dict())这个函数通过递归和类型查看，确保学生模型与 Roberta 层的老师平安模型雷同。如果想在初始化的时候扭转复制哪些层，只须要更改 encoder 局部的 for 循环就能够了。
当初咱们有了学生模型，咱们须要对其进行训练。这部分绝对简略，次要的问题就是应用的损失函数。
自定义损失函数
作为对 DistilBERT 训练过程的回顾，先看一下下图：
请把注意力转向下面写着“损失”的红色大盒子。但在具体介绍外面是什么之前，须要晓得如何收集咱们要喂给它的货色。在这张图中能够看到须要 3 个货色：标签、学生和老师的嵌入。标签曾经有了，因为是有监督的学习。当初看啊可能如何失去另外两个。
老师和学生的输出
在这里须要一个函数，给定一个类 BERT 模型的输出，包含两个张量 input_ids 和 attention_mask 以及模型自身，而后函数将返回该模型的 logits。因为咱们应用的是 Hugging Face，这非常简单，咱们须要的惟一常识就是能看懂上面的代码：
from torch import Tensor
def get_logits(
model : RobertaPreTrainedModel,
input_ids : Tensor,
attention_mask : Tensor,
) -> Tensor:
"""
Given a RoBERTa (model) for classification and the couple of (input_ids) and (attention_mask),
returns the logits corresponding to the prediction.
"""
return model.classifier(model.roberta(input_ids, attention_mask)[0]
)学生和老师都能够应用这个函数，然而第一个有梯度，第二个没有。
损失函数的代码实现
损失函数具体的介绍请见咱们上次公布的文章，这里应用上面的图片进行解释：
咱们所说的“‘converging cosine-loss（收敛余弦损失）”是用于对齐两个输出向量的惯例余弦损失。这是代码：
import torch
from torch.nn import CrossEntropyLoss, CosineEmbeddingLoss
def distillation_loss(
teacher_logits : Tensor,
student_logits : Tensor,
labels : Tensor,
temperature : float = 1.0,
) -> Tensor:
"""
The distillation loss for distilating a BERT-like model.
The loss takes the (teacher_logits), (student_logits) and (labels) for various losses.
The (temperature) can be given, otherwise it's set to 1 by default."""
# Temperature and sotfmax
student_logits, teacher_logits = (student_logits / temperature).softmax(1), (teacher_logits / temperature).softmax(1)
# Classification loss (problem-specific loss)
loss = CrossEntropyLoss()(student_logits, labels)
# CrossEntropy teacher-student loss
loss = loss + CrossEntropyLoss()(student_logits, teacher_logits)
# Cosine loss
loss = loss + CosineEmbeddingLoss()(teacher_logits, student_logits, torch.ones(teacher_logits.size()[0]))
# Average the loss and return it
loss = loss / 3
return loss以上就是 DistilBERT 的所有要害思维的实现，然而还短少一些货色，比方 GPU 反对、整个训练例程等，所以最初残缺的代码会在文章的最初提供，如果须要理论应用，倡议应用最初的 Distillator 类。
后果
以这种形式提炼进去的模型最终体现如何呢？对于 DistilBERT，能够浏览原始论文 [1]。对于 RoBERTa，Hugging Face 上曾经存在相似 DistilBERT 的蒸馏版本。在 GLUE 基准 [4] 上，咱们能够比拟两个模型：
至于工夫和内存老本，这个模型大概是 roberta-base 大小的三分之二，速度是两倍。
总结
通过以上的代码咱们能够蒸馏任何相似 BERT 的模型。除此以外还有很多其余更好的办法，例如 TinyBERT [5] 或 MobileBERT [6]。如果你认为其中一篇更适宜您的需要，你应该浏览这些文章。甚至是齐全尝试一种新的蒸馏办法，因为这是一个日益倒退的畛域。
本文的代码在这里：
https://www.overfit.cn/post/6583351575974a5993a4ebd98b51088e
援用
[1] Victor SANH, Lysandre DEBUT, Julien CHAUMOND, Thomas WOLF, DistilBERT, a distilled version of BERT: smaller, faster, cheaper and lighter (2019), Hugging Face
[2] Yinhan Liu, Myle Ott, Naman Goyal, Jingfei Du, Mandar Joshi, Danqi Chen, Omer Levy, Mike Lewis, Luke Zettlemoyer, Veselin Stoyanov, RoBERTa: A Robustly Optimized BERT Pretraining Approach (2019), arXiv
[3] Hugging Face team crediting Julien Chaumond, Hugging Face’s RoBERTa documentation, Hugging Face
[4] Alex WANG, Amanpreet SINGH, Julian MICHAEL, Felix HILL, Omer LEVY, Samuel R. BOWMAN, GLUE: A multi-task benchmark and analysis platform for natural language understanding (2019), arXiv
[5] Xiaoqi Jiao, Yichun Yin, Lifeng Shang, Xin Jiang, Xiao Chen, Linlin Li, Fang Wang, Qun Liu, TinyBERT: Distilling BERT for Natural Language Understanding (2019), arXiv
[6] Zhiqing Sun, Hongkun Yu, Xiaodan Song, Renjie Liu, Yiming Yang, Denny Zhou, MobileBERT: a Compact Task-Agnostic BERT for Resource-Limited Devices (2020), arXiv
