1、有些模型比较大，推理时的效果还不错，但非常耗费计算资源；并且产生token的速度也很慢，大概1秒1个token(我的RAG在最后一步使用的secGPT-13B大概就是这个速度)，一个问题回答完毕要耗费分钟级别的时间，用户直接抓狂，继续提升推理的速度！
大模型本质是大量的矩阵运算，想要提高效率，就要想办法提升矩阵运算的效率，大致的思路如下：
- 知识蒸馏distillation：大模型去掉“水分”，保留“精华”后得到小模型
- 模型剪枝：矩阵中某些元素毫无卵用，留着纯属“占着茅坑不拉屎”
- 模型量化：FP32、FP16用INT8、INT4替代，减少存储和计算
- 参数共享：部分层级之间共享参数，减少存储空间，提升计算效率
- 低秩分解：原理类同Lora，把大矩阵分解成low -rank 小矩阵，减少存储空间，提升计算效率
- 参数搜索：使用算法或启发式方法来确定最佳的参数配置
这么多方法，相比之下知识蒸馏是比较流行的，效果也是比较好的，这里尝试一下对secGPT-13B做做知识蒸馏（他家已经有secGPT-mini了，具体怎么的来的还不清楚）；
2、不论是现在的LLM，还是传统的机器学习，最终的目的都是提升泛化性能，提高鲁棒性，让模型经过训练后，在新的数据上也能有很好的表现。同理，知识蒸馏的最终目的也是让student在新数据集上的表现接近teacher，该怎么去模仿学习teacher了？
所有的神经网络简化图如上，让student的输出逼近teacher，有这么三种方式：
- 直接让student的output接近teacher，其他的不care(只看最终的结果，不管中间过程)，这就是所谓的response-based knowledge
- 为了更好地让student逼近teacher，只看结果可能还不够，还要严控过程，让hidden layer的效果也逼近teacher，这就是feather-based knowledge
- 再进一步，融合了前面两项，再加上input layer，对整个全流程(input->hidden-output)做系统性地模仿学习，捕捉样本之间的关系和teacher模型地全局结构信息，叫relation-based knowledge；
第一种response-based的方式最简单，不需要考虑student和teacher的网络结构是否相同，只看结果两个模型的输出loss，根据loss反向调整sudent的参数即可，所以完全可以使用现成的模型作为student继续fine-tune！我搜寻了一遍小模型，知名度高、对中文支持又比较好的：gpt2-chinese-cluecorpussmall(1.2亿参数)、gpt2-distil-chinese-cluecorpussmall、t5-base-chinese-cluecorpussmall(2.4亿参数)，这里最终选择gpt2-distil-chinese-cluecorpussmall(从名称看，可能已经蒸馏过了，应该验证了蒸馏效果还行)作为student，和secGPT-13B组成cp做distillation！确定好模型后，接下来就是怎么实操落地啦！换句话说，怎么让teacher把所有的knowleage都准确无误、毫无保留地传授给student了？
3、大家回忆一下自己小时候上学的场景：坐在教室里，有各种教材课程，然后听老师讲课。课后自己做作业，老师批改作业，做错的题还要重新做，直到做对为止，整个流程经年累月后自己可以从老师那学到大量的knowledge，这一整个流程在LLM的knowledge distil中能不能被借鉴了？同样的训练数据，分别经过student和teacher模型做前向传播计算，然后对比双方的输出，差异作为loss，student根据这个loss调整自己的参数，直到loss变小为止，原理是不是很简单？接着的问题又来了：
- teacher和sutdent之间怎么计算loss？换句话说loss函数怎么设计？
- 既然都有训练数据了，为什么不直接用这些数据fine-tune student模型？为什么还要用teacher去训练student？
GPT模型decoder部分最后一步都是softmax，输出vocab中每个token的概率值。传统的training过程是训练语料中token作为one-hot形式的ground truth，让GPT的softmax输出和ground truth计算KL散度的差异，用这个差异做BP调整模型的参数。由于ground truth的token都是one-hot形式，也就是当前token的概率是1，其他token的概率是0，所以这种目标称为hard targets，流行的teacher模型本身就是通过这种hard target训练出来的！
问题是teacher模型decoder的输出是所有token的概率组成的向量，比如[0.1,0.6,0.05,0.15,0.04,0.06]这种，不是one-hot的hard targets，这种soft targets能被用于训练student么？为啥不直接用原始训练数据的hard targets去微调student了？
还是以小时候上学读书为例：其实各种教材资料在市场上自己都能买到，为啥每天还要辛苦跑去学校读书了？为啥不自己在家里自学了？核心原因之一：教材内容展示的知识有限，有很多隐藏的知识是教材纸面上无法展示的！比如英语的发音，教材只能标识音标，具体怎么发音还是要靠老师教授和纠正；又比如数学定理的推导：有些教材推理过程并不详细，自学的时候可能看不懂为什么会从某些条件得到某些结论，期间还是要经验丰富的老师具体细化整个推导过程！总结一下，就是各种教材里面承载的明面知识有限，还有很多隐藏知识(dark knowledge)需要老师教授的！具体到LLM的知识蒸馏和训练，举例如下：
上面这两图的数值，是2还是3了？是2还是7了？这就是hard target和soft target的本质区别！如果直接使用原始的数据训练student，用的就是hard target；如果使用teacher训练student，用的就是soft target！最核心的问题来了：为啥要用soft target训练student？soft target相比hard target，优势在哪？
仔细看上图，左边的数字确实是2，但是也有3的特征！右边数字确实是2，但也有7的特征，所以这两图也包含了其他数字的特征，所以如果直接简单粗暴地用hard target指定为2，那么3和7的特征是学不到的！teacher训练时用了大量的语料，其他语料也有3和7的特征，所以这里用hard target也没啥问题；但知识蒸馏的场景下，训练语料是有限的，如果用hard target，student是无法提取3和7的特征的，会严重影响其他类别的判断！所以使用soft target最大的好处：
指明类别之间的相对关系，可以让student学到其他类别的特征，大大提升模型的泛化性和鲁棒性！这不就是所有机器学习的终极目标么？
4、（1）确定了使用soft target后，就要确定loss的具体表达式了。为了提升泛化性和鲁棒性，对于负类不能像one-hot编码那样“赶尽杀绝”，需要适当给予一些概率，利于student模型提取特征，具体操作方式如下：
T参数全名tempareture，用来调节概率的平滑性的。直观感受tempareture参数的作用：以logits = [-1,1,3,2,0.5]为例，不同的temperature对应不同的class probability，图示如下：
看吧，T越大，各个不同类别的概率越接近，概率分布越平滑！
（2）整个知识蒸馏的全流程：
- teacher模型对input做feed forward计算，得到的结果经过softmax(t)后得到soft labels；
- student模型同样对input做feed forward计算，然后分叉：
- 和teacher一样，得到的结果经过softmax(t)后得到soft predictions；
- 设置T=1，和原来的softmax效果一样，得到hard predictions；
- soft labels和soft predictions，用于衡量teacher和student之间的差异
- hard prediction和hard label，用于衡量student和ground truth之间的差异
问题又特么来了：为啥要计算两个loss？这两个loss之间怎么取舍？
- teacher虽然学识远远超过student，但是仍然有出错的可能，而这时候如果student在teacher的教授之外，可以同时参考到标准答案，就可以有效地降低被teacher偶尔“带偏”的可能性。
- 既然又两个loss，那就人为分别设置权重呗，重要的loss权重高点，另一个权重低点！两个loss的权重是超参数，可以自由设置；
（3）核心代码如下：
import json
from datasets import Dataset
from transformers import GPT2LMHeadModel, AutoModelForCausalLM, BertTokenizer
import torch
from transformers import Trainer, TrainingArguments
# 加载数据
data_path = "/root/huggingface/data/"
data_files = ["distil.json"]
data = []
for file in data_files:
with open(data_path + file, 'r', encoding='utf-8') as f:
for line in f:
data.append(json.loads(line))
# 将数据转换为 Hugging Face Dataset 格式
dataset = Dataset.from_list(data)
# 加载tokenizer
tokenizer = BertTokenizer.from_pretrained("/root/huggingface/gpt2-distil-chinese-cluecorpussmall")
# 添加pad_token
tokenizer.add_special_tokens({'pad_token': '[PAD]'})
def preprocess_function(examples):
inputs = tokenizer(examples["query"], truncation=True, padding="max_length", max_length=512)
outputs = tokenizer(examples["positive"], truncation=True, padding="max_length", max_length=512)
return {
"input_ids": inputs["input_ids"],
"attention_mask": inputs["attention_mask"],
"labels": outputs["input_ids"],
"labels_attention_mask": outputs["attention_mask"]
}
tokenized_dataset = dataset.map(preprocess_function, batched=True)
split_datasets = tokenized_dataset.train_test_split(test_size=0.3)
train_dataset = split_datasets['train']
eval_dataset = split_datasets['test']
teacher_model = AutoModelForCausalLM.from_pretrained("/root/huggingface/secgpt", trust_remote_code=True,
device_map="cpu")
student_model = GPT2LMHeadModel.from_pretrained("/root/huggingface/gpt2-distil-chinese-cluecorpussmall")
# 确保教师模型和学生模型的词汇表大小一致
student_model.resize_token_embeddings(len(tokenizer))
teacher_model.resize_token_embeddings(len(tokenizer))
training_args = TrainingArguments(
output_dir="/root/huggingface/SecGPT_distil",
evaluation_strategy="epoch",
learning_rate=2e-5,
per_device_train_batch_size=1,
num_train_epochs=3,
weight_decay=0.01,
logging_dir='./logs',
)
class DistillationTrainer(Trainer):
def __init__(self, teacher_model, *args, **kwargs):
super().__init__(*args, **kwargs)
self.teacher_model = teacher_model
def compute_loss(self, model, inputs, return_outputs=False):
outputs = model(**inputs)
with torch.no_grad():
teacher_outputs = self.teacher_model(**inputs)
student_logits = outputs.logits
teacher_logits = teacher_outputs.logits.detach()
# 确保 student_logits 和 teacher_logits 的形状一致
if student_logits.shape != teacher_logits.shape:
raise ValueError(
f"Student logits shape {student_logits.shape} does not match teacher logits shape {teacher_logits.shape}")
loss_fct = torch.nn.KLDivLoss(reduction="batchmean")
temperature = 2.0
alpha = 0.5
beta = 0.5
student_probs = torch.nn.functional.log_softmax(student_logits / temperature, dim=-1)
teacher_probs = torch.nn.functional.softmax(teacher_logits / temperature, dim=-1)
distillation_loss = loss_fct(student_probs, teacher_probs) * (temperature ** 2)
# 计算student loss
labels = inputs["labels"]
shift_logits = student_logits[..., :-1, :].contiguous()
shift_labels = labels[..., 1:].contiguous()
loss_fct_student = torch.nn.CrossEntropyLoss()
student_loss = loss_fct_student(shift_logits.view(-1, shift_logits.size(-1)), shift_labels.view(-1))
# 结合loss
loss = alpha * distillation_loss + beta * student_loss
return (loss, outputs) if return_outputs else loss
trainer = DistillationTrainer(
model=student_model,
args=training_args,
train_dataset=train_dataset,
eval_dataset=eval_dataset,
tokenizer=tokenizer,
teacher_model=teacher_model,
)
trainer.train()
student_model.save_pretrained("/root/huggingface/SecGPT_distil")
tokenizer.save_pretrained("/root/huggingface/SecGPT_distil")
训练样本的数据格式：
{"query": "frida是什么？", "positive": "Frida是一款基于python + javascript 的hook框架，适用于android/ios/linux/win/osx等平台。Frida的动态代码执行功能，主要是在它的核心引擎Gum中用C语言来实现的"}
{"query": "怎么使用IDA?", "positive": "1、安装IDA 2、用IDA打开二进制文件，可以使用F5将汇编反编译成C语言伪代码 3、可以直接调试伪代码了解二进制代码逻辑"}
{"query": "怎么脱壳?", "positive": "对于一代、二代壳，可以直接使用frida dexdump从内存把正常的dex代码dump到磁盘"}
我这里的样本少，明显不够，效果不也好，后续还要继续努力收集数据啊.......
参考：
1、https://blog.csdn.net/qq_52572775/article/details/138467295?spm=1001.2014.3001.5501 知识蒸馏Knowledge Distillation
2、https://www.jiqizhixin.com/articles/2024-03-18 LLM知识蒸馏最新综述
3、https://zhuanlan.zhihu.com/p/102038521 知识蒸馏经典之作
4、https://blog.csdn.net/jclian91/article/details/133896540 使用知识蒸馏提升模型推理性能
5、https://intellabs.github.io/distiller/knowledge_distillation.html Knowledge Distillation
标签：loss,蒸馏,模型,LLM,model,student,logits,推理,teacher From： https://www.cnblogs.com/theseventhson/p/18303028