机器学习模型已经变得越来越大，即使使用经过训练的模型当硬件不符合模型对它应该运行的期望时，推理的时间和内存成本也会飙升。为了缓解这个问题是使用蒸馏可以将网络缩小到合理的大小，同时最大限度地减少性能损失。
我们在以前的文章中介绍过 DistilBERT [1] 如何引入一种简单而有效的蒸馏技术，该技术可以轻松应用于任何类似 BERT 的模型，但没有给出任何的代码实现，在本篇文章中我们将进入细节，并给出完整的代码实现。
学生模型的初始化
由于我们想从现有模型初始化一个新模型，所以需要访问旧模型的权重。本文将使用Hugging Face 提供的 RoBERTa [2] large 作为我们的教师模型，要获得模型权重，必须知道如何访问它们。
Hugging Face的模型结构
可以尝试的第一件事是打印模型，这应该让我们深入了解它是如何工作的。当然，我们也可以深入研究 Hugging Face 文档 [3]，但这太繁琐了。
from transformers import AutoModelForMaskedLM
roberta = AutoModelForMaskedLM.from_pretrained("roberta-large")
print(roberta)运行此代码后得到：
在 Hugging Face 模型中，可以使用 .children() 生成器访问模块的子组件。因此，如果我们想使用整个模型，我们需要在它上面调用 .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)这样获得了如下输出
看起来 RoBERTa 模型的结构与其他类似 BERT 的模型一样，如下所示：
复制教师模型的权重
要以 DistilBERT [1] 的方式初始化一个类似 BERT 的模型，我们只需要复制除最深层的 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，我们需要创建学生模型，其架构与教师模型相同，但隐藏层数减半。只需要使用教师模型的配置，这是一个类似字典的对象，描述了Hugging Face模型的架构。查看 roberta.config 属性时，我们可以看到以下内容：
我们感兴趣的是numhidden -layers属性。让我们写一个函数来复制这个配置，通过将其除以2来改变属性，然后用新的配置创建一个新的模型:
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函数将把教师的一半权重放在学生层中，所以仍然需要对它进行编码。由于递归在探索教师模型方面工作得很好，可以使用相同的思想来探索和复制某些部分。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。唯一需要注意的是隐藏层的部分，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检查，确保学生模型与 Roberta 层的教师安全模型相同。如果想在初始化的时候改变复制哪些层，只需要更改encoder部分的for循环就可以了。
现在我们有了学生模型，我们需要对其进行训练。这部分相对简单，主要的问题就是使用的损失函数。
自定义损失函数
作为对 DistilBERT 训练过程的回顾，先看一下下图：
请把注意力转向上面写着“损失”的红色大盒子。但在详细介绍里面是什么之前，需要知道如何收集我们要喂给它的东西。在这张图中可以看到需要 3 个东西：标签、学生和教师的嵌入。标签已经有了，因为是有监督的学习。现在看啊可能如何得到另外两个。
教师和学生的输入
在这里需要一个函数，给定一个类 BERT 模型的输入，包括两个张量 input_ids 和 attention_mask 以及模型本身，然后函数将返回该模型的 logits。由于我们使用的是 Hugging Face，这非常简单，我们需要的唯一知识就是能看懂下面的代码：
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]
)学生和老师都可以使用这个函数，但是第一个有梯度，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我们上次发布的文章，这里使用下面的图片进行解释：
我们所说的“‘converging cosine-loss（收敛余弦损失）”是用于对齐两个输入向量的常规余弦损失。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 的所有关键思想的实现，但是还缺少一些东西，比如 GPU 支持、整个训练例程等，所以最后完整的代码会在文章的最后提供，如果需要实际使用，建议使用最后的 Distillator 类。
结果
以这种方式提炼出来的模型最终表现如何呢？对于 DistilBERT，可以阅读原始论文 [1]。对于 RoBERTa，Hugging Face 上已经存在类似 DistilBERT 的蒸馏版本。在 GLUE 基准 [4] 上，我们可以比较两个模型：
至于时间和内存成本，这个模型大约是 roberta-base 大小的三分之二，速度是两倍。
总结
通过以上的代码我们可以蒸馏任何类似 BERT 的模型。 除此以外还有很多其他更好的方法，例如 TinyBERT [5] 或 MobileBERT [6]。如果你认为其中一篇更适合您的需求，你应该阅读这些文章。甚至是完全尝试一种新的蒸馏方法，因为这是一个日益发展的领域。
本文的代码在这里：
https://www.overfit.cn/post/6583351575974a5993a4ebd98b51088e
引用
[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