BERT 模型的知识蒸馏： DistilBERT 方法的理论和机制研究

如果你曾经训练过像 BERT 或 RoBERTa 这样的大型 NLP 模型，你就会知道这个过程是极其漫长的。 由于其庞大的规模，训练此类模型可能会持续数天。 当需要在小型设备上运行它们时，就会发现正在以巨大的内存和时间成本为日益增长的性能付出代价。

有一些方法可以减轻这些痛苦并且对模型的性能影响很小，这种技术称为蒸馏。 在本文中，我们将探讨 DistilBERT [1] 方法背后的机制，该方法可用于提取任何类似 BERT 的模型。

首先，我们将讨论一般的蒸馏以及我们为什么选择 DistilBERT 的方法，然后如何初始化这个过程，以及在蒸馏过程中使用的特殊损失，最后是一些需要注意的细节。

什么是知识蒸馏?

蒸馏的概念是相当直观的:它是训练一个小的学生模型，模仿一个更大的教师模型并尽可能接近的过程。如果我们只将他用在集群上进行机器学习模型的微调时，那么知识蒸馏的作用并不大。但是当我们想要将一个模型移植到更小的硬件上时，比如一台有限的笔记本电脑或手机，知识蒸馏的好处是显而易见的，因为蒸馏的模型在保证性能的情况下，参数更少、运行得更快、占用的空间更少。

BERT蒸馏的必要性

基于bert的模型在NLP中非常流行，因为它们最初是在[2]中引入的。随着性能的提高，出现了很多很多的参数。准确地说，BERT的参数超过了1.1亿，这里还没有讨论BERT-large。对知识蒸馏的需要是明显的，因为 BERT 非常通用且性能良好，还有就是后来的模型基本上以相同的方式构建，类似于 RoBERTa [3]，所以能够正确的提取和使用BERT里面包含的内容可以让我们达到一举两得的目的。

DistilBERT 方法

第一篇关于 BERT 提炼的论文是给我们灵感的论文，即 [1]。但是其他方法也会陆续介绍，例如 [4] 或 [5]，所以我们很自然地想知道为什么将自己限制在 DistilBERT 上。答案有三点：第一，它非常简单，是对蒸馏的一个很好的介绍；其次，它带来了良好的结果；第三，它还允许提炼其他基于 BERT 的模型。

DistilBERT 的蒸馏有两个步骤，我们将在下面详细介绍。

BERT 主要基于一系列相互堆叠的注意力层。 因此这意味着 BERT 学习的“隐藏知识”包含在这些层中。 我们不会关心这些层是如何工作的，但是对于那些想要了解更多细节的人，除了原始论文 [1]，我可以推荐这篇做得非常出色的 TDS 文章 [6]。在这里我们可以将注意力层视为一个黑匣子，这对我们来说并不重要。

各个BERT模型之间的最大区别是层数 N 不同，模型的大小自然与 N 成正比。 由此可知，训练模型所花费的时间和前向传播的时间也取决于 N，当然还有用于存储模型的内存。 因此提取 BERT 的合乎逻辑的结论是减少 N。

DistilBERT 的方法是将层数减半并从教师的层初始化学生的层。这个方法听起来就是简单而高效的：

DistilBERT 在一个完全复制层和一个忽略层之间交替，根据 [4]的方法，它尝试优先复制顶层或底层。

这里还要感谢huggingface的transformers 模块，再加上和对BERT其内部工作原理的一些了解，这个复制的步骤可以很容易地实现。我们将在另一篇文章中展示如何具体做到，因为我们在本文中只研究理论和机制。

当然，如果使用基于 BERT 的模型进行特定任务，比如说时间序列分类，那么还需要为学生模型复制教师模型的头部，但一般来说BERT 的头部大小与其注意力层的大小相比就显得非常的小了，可以忽略不计。

我们现在有一个可以用来学习的学生模型。但是蒸馏过程并不是一个经典的拟合过程：我们不是像往常一样教学生模型学习一种模式，我们的目标是模仿教师。因此我们将不得不调整训练过程，尤其是我们的损失函数。

本文顶部的图像说明了蒸馏过程。我们的训练程序将基于实现以下两个目标的特定损失：将与教师模型训练时相同的损失函数最小化、模仿教师模型的输出。所以知识蒸馏的最大问题就是，模仿教师模型需要将两个损失函数混合。下面我们将从简单的目标开始，尽量减少与教师模型相同的损失。

教师模型相同的损失

关于这部分没有什么可说的：类似 BERT 的模型都以相同的方式工作，核心将嵌入输出到解决特定问题的头部。 教师微调的任务带有自己的损失函数。 为了计算这个损失，由于学生模型是与教师具有相同问题特定头部的注意力层组成，所以我们只需要输入学生的嵌入和标签。

学生-教师交叉熵损失

这是第一个能够缩小学生和教师模型概率分布之间差距的损失。 当类 BERT 模型对输入进行前向传播时，无论是用于掩码语言建模、标记分类、序列分类等……它都会输出 logits，然后通过 softmax 层将其转换为概率分布。

对于输入 x，教师模型输出：

学生模型输出：

请记住softmax 及其附带的符号，我们后面还会继续讨论。如果我们希望 T 和 S 接近，可以以 T 为目标对 S 应用交叉熵损失。 这就是我们所说的学生-教师交叉熵损失：

学生-教师余弦损失

帮助学生模仿教师的第二个损失是余弦损失。 余弦损失很有趣因为它不尝试使向量 x 等于目标 y，而是尝试将 x 与 y 对齐，并且不考虑它们各自的范数或空间原点。 我们使用这种损失可以使教师和学生模型中的隐藏向量对齐。 公式表示如下：

实际上，余弦损失有两种版本，一种用于对齐向量，另一种是将一个向量拉向另一个相反的方向。在本文中，我们只对第一种方法感兴趣。

蒸馏使用完整损失

全部蒸馏的损失是上述三种损失的整合：

蒸馏过程

在解释了损失之后，蒸馏程序的其余部分非常简单。 该模型的训练与其他模型非常相似，唯一的问题是必须并行运行两个BERT 的模型（学生、教师）。 但是幸运的是教师模型不需要梯度，因为反向传播仅在学生身上完成。 但是作为蒸馏过程，仍然需要实现损失的计算，我们将在以后的文章中介绍它。

Temperature

在学生-教师交叉熵损失时我们提到的这个符号：

DistilBERT 使用 [7] 中的Temperature概念，这有助于软化 softmax。 Temperature是一个 θ ≥ 1变量，它会随着 softmax 的上升而降低“置信度”。 正常的 softmax 描述如下：

现在，让我们将其重写为：

公式中的 1实际上对应于θ。 一个普通的 softmax 是一个Temperature设置为 1 的 softmax，一个包含Temperature的 softmax 的公式是：

随着 θ 上升，θ 上的商变为零，因此整个商变为 1/n，softmax 概率分布变为均匀分布。 这可以在上图中观察到。

在 DistilBERT 中，学生和教师模型的 softmax 在训练时都以相同的θ 为条件，并在推理时将Temperature设置为 1。

以上就是 DistilBERT 对类 BERT 模型的蒸馏过程，唯一要做的就是选择一个模型并提炼它！我们在后面的文章中将详细介绍蒸馏的过程和代码实现。

[1] Victor SANH, Lysandre DEBUT, Julien CHAUMOND, Thomas WOLF, DistilBERT, a distilled version of BERT: smaller, faster, cheaper and lighter (2019), Hugging Face

[2] Jacob Devlin, Ming-Wei Chang, Kenton Lee, Kristina Toutanova, BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding (2018), Google AI Language

[3] 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

[4] 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

[5] Zhiqing Sun, Hongkun Yu, Xiaodan Song, Renjie Liu, Yiming Yang, Denny Zhou, MobileBERT: a Compact Task-Agnostic BERT for Resource-Limited Devices (2020), arXiv

[6] Raimi Karim, Illustrated: Self-Attention (2019), Towards Data Science

[7] Geoffrey Hinton, Oriol Vinyals, Jeff Dean, Distilling the Knowledge in a Neural Network (2015), arXiv

作者：Remi Ouazan Reboul