白盒蒸馏

1. 什么是白盒蒸馏

白盒蒸馏是指在蒸馏过程中使用到教师模型的参数或 logits 的 蒸馏技术[2].

接下来我们会介绍经典的白盒蒸馏方法和代码实现。

2. MiniLLM

大模型能力的强大也伴随着参数量的膨胀，为了以合理的成本部署大模型，如何将大模型的知识蒸馏到小模型是一个问题。从前，面对有限的状态空间（比如有限的分类类别），教师模型和学生模型的参数量都足以学习每一种类别的模式；而在大模型自回归生成的场景下，学生模型参数变少后，天然地失去了和大模型同等的表达能力，从而传统的蒸馏可能效果不佳。

MiniLLM是一种针对生成式语言模型的全新的KD方法，它是一种白盒蒸馏方法，这种方法使用逆向KL散度，理论上使得学生模型模仿教师模型概率较大的生成结果，忽略教师模型概率不大的生成结果。这样做一定程度放弃了模型生成的多样性，从而实现高性价比的LLM部署落地。

2.1 前向KL散度

前向KL散度是传统蒸馏时使用的损失函数，这里我们再复习一下它的概念：

假设老师分布为p, 学生分布为q_\theta, \theta 是学生模型的参数。

前向KL散度可以看成是两个分布相似程度的定义（注意KL散度具有不对称性，不是距离）：

KL(p||q_\theta) = \sum_i p(i)log\frac{p(i)}{q_\theta(i)}。

从定义可以看出，在p分布为0的地方，q分布无论为多少，都不影响这一项为0，所以当我们最小化前向KL散度时，q会在老师概率分布小的地方分配大的概率。对应到大模型生成上，就是在老师模型输出可能性很小的地方，学生模型却放大了这种可能性，显然这是不符合模型生成预期的。

2.2 逆向KL散度

reversed KL:

蒸馏时，使用逆向KL散度代替前向KL散度。最小化逆向KL散度时，老师分布大的地方，学生分布也同步变大，而老师分布小的地方，学生分布会更小。下面这张经典的图片可以看出前向和后向KL的差异。

这样直观上看，使用逆向KL散度更加符合生成模型的场景。

2.3 基于策略梯度的优化

MiniLLM的论文中提出了另一个新颖的视角——逆向KL其实可以等价于强化学习，并进行了公式推导。策略梯度是一种强化学习算法：将期望的回报写成一个可导的函数，然后求使得这个函数的最大的策略（比如使用梯度上升）。

由于这部分涉及较多数学公式推导和强化学习，有兴趣的同学可以查看论文自行学习。

3. BabyLlama（实践）

BabyLlama 将小模型蒸馏直接应用到了大模型上。它的损失函数是以下两种损失的加权和：

• 和硬损失的交叉熵
• 和软损失的KL散度

在code/BabyLlama/3.distill.ipynb中可以看到它的损失函数：

def compute_loss(self, model, inputs, return_outputs=False):
        # 硬损失，即和ground truth的交叉熵
        outputs_student = model(**inputs)
        student_loss = outputs_student.loss

        # compute teacher output
        with torch.no_grad():
            all_teacher_logits = []
            for teacher in self.teachers:
                outputs_teacher = teacher(**inputs)
                all_teacher_logits.append(outputs_teacher.logits)
            avg_teacher_logits = torch.stack(all_teacher_logits).mean(dim=0)

        # assert size
        assert outputs_student.logits.size() == avg_teacher_logits.size()

        # 软损失，和教师模型输出分布的KL散度
        loss_function = nn.KLDivLoss(reduction="batchmean")
        loss_logits = (
            loss_function(
                F.log_softmax(outputs_student.logits / self.args.temperature, dim=-1),
                F.softmax(avg_teacher_logits / self.args.temperature, dim=-1),
            )
            * (self.args.temperature ** 2)
        )
        # Return weighted student loss
        loss = self.args.alpha * student_loss + (1.0 - self.args.alpha) * loss_logits
        return (loss, outputs_student) if return_outputs else loss
​

参考资料

1. MiniLLM: Knowledge Distillation of Large Language Models
2. Efficient Large Language Models: A Survey
3. https://github.com/microsoft/LMOps/tree/main/minillm
4. https://blog.csdn.net/ningmengzhihe/article/details/130679350
5. Baby Llama: knowledge distillation from an ensemble of teachers trained on a small dataset with no performance penalty