知识蒸馏，中文文本分类，教师模型BERT，学生模型biLSTM

虽然说做文本不像图像对gpu依赖这么高，但是当需要训练一个大模型或者拿这个模型做预测的时候，也是耗费相当多资源的，尤其是BERT出来以后，不管做什么用BERT效果都能提高，万物皆可BERT。

　　然而想要在线上部署应用，大公司倒还可以烧钱玩，毕竟有钱任性，小公司可玩不起，成本可能都远大于效益。这时候，模型压缩的重要性就体现出来了，如果一个小模型能够替代大模型，而这个小模型的效果又和大模型差不多，何乐而不为。

在讲知识蒸馏时一定会提到的Geoffrey Hinton开山之作Distilling the Knowledge in a Neural Network当然也是在图像中开的山，下面简单做一个介绍。

　　知识蒸馏使用的是Teacher—Student模型，其中teacher是“知识”的输出者，student是“知识”的接受者。知识蒸馏的过程分为2个阶段:

1.原始模型训练: 训练"Teacher模型", 它的特点是模型相对复杂，可以由多个分别训练的模型集成而成。

2.精简模型训练: 训练"Student模型", 它是参数量较小、模型结构相对简单的单模型。

模型结构

借用YJango大佬的图，这里我简单解释一下我们怎么构建这个模型

1.训练大模型

　　首先我们先对大模型进行训练，得到训练参数保存，这一步在上图中并未体现，上图最左部分是使用第一步训练大模型得到的参数。

2. 计算大模型输出

　　训练完大模型之后，我们将计算soft target，不直接计算output的softmax，这一步进行了一个divided by T蒸馏操作。（注：这时候的输入数据可以与训练大模型时的输入不一致，但需要保证与训练小模型时的输入一致）

3. 训练小模型

　　小模型的训练包含两部分。

　　－soft target loss

　　－hard target loss

　　通过调节λ的大小来调整两部分损失函数的权重。

4. 小模型预测

　　预测就没什么不同了，按常规方式进行预测。

模型实现

模型基本上是对论文Distilling Task-Specific Knowledge from BERT into Simple Neural Networks的复现，下面介绍部分代码实现

代码结构

Teacher模型：BERT模型

Student模型：一层的biLSTM

LOSS函数：交叉熵 、MSE LOSS

知识函数：用最后一层的softmax前的logits作为知识表示

学生模型输入

　　Student模型的输入句向量由句中每一个词向量求和取平均得到，词向量为预训练好的300维中文向量，训练数据集为Wikipedia_zh中文维基百科。

学生模型结构

　　学生模型为单层biLSTM，再接一层全连接。

教师模型结构

　　教师模型为BERT，并对最后四层进行微调，后面也接了一层全连接。

损失函数

　　损失函数为学生输出s_logits和教师输出t_logits的MSE损失与学生输出与真实标签的交叉熵。

模型效果

Teacher

Running time: 116.05915258956909 s

Student

Running time: 0.155623197555542 s

可以看出student模型与teacher模型相比精度有一定的丢失，这也可以理解，毕竟student模型结构简单。而在运行时间上大模型是小模型的746倍（cpu）。

TNEWS测试效果

在数据集中选了5类并做了下采样。（此部分具体说明后续完善）

Student alone

Teacher

Student