企业官网建设流程全解析

一、模型蒸馏（Knowledge Distillation）

1. 什么是模型蒸馏？

模型蒸馏是一种模型轻量化技术/模型压缩技术，让大模型（BERT，教师）教小模型（BiLSTM，学生），把大模型（教师模型 Teacher）学到的知识迁移到小模型（学生模型 Student）。不只迁移硬标签（真实类别），还要迁移软标签（类别之间的关联概率分布），让小模型在保持较小体积的同时，尽可能接近大模型的效果、具备大模型的推理能力。

2. 软标签 vs 硬标签

硬标签（Hard Label）：真实one-hot 标签（只有目标类别为 1，其余全为 0），只学到类别边界，学不到类别间的相似性。（硬标签损失计算：通过 学生硬输出与真实标签的交叉熵；学生学习教师的最终答案。）
软标签（Soft Label）：教师模型输出经过温度 T 平滑后的概率分布，包含类别间关系信息。（软标签损失计算：通过 学生软分布与教师软分布的KL散度；学生学习教师的概率分布。）
总结：KL散度计算软标签损失（学生软分布与教师软分布的 KL 散度）、交叉熵损失计算硬标签损失（学生硬输出与真实标签的交叉熵）、MSE计算中间隐藏层损失（学生隐藏层,与教师隐藏层的MSE）；

3. 温度T的作用

用高温T将硬输出平滑为软标签，压低最高类别概率，抬高非目标类别的概率，释放类别间的暗知识。推理阶段把 T 重置为 1。

4. 总损失

1. 公式：（经验取值：α=0.7∼0.9）
2. 描述：先用高温 T 把教师输出平滑为软标签，用 KL 散度让学生拟合这个软分布，再叠加原始数据集的分类交叉熵，同时学习类别关联知识与真实任务标签。
3. 损失函数由两部分加权组成：
① 蒸馏损失：学生软分布与教师软分布的 KL 散度（T>1），学习暗知识。
② 真实标签损失：学生硬输出与真实标签的交叉熵（T=1），保证拟合真实数据。

5. 整体流程

​