20240621日志：大模型压缩-从闭源大模型蒸馏

本文主要是介绍20240621日志：大模型压缩-从闭源大模型蒸馏，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

location：beijing
涉及知识：大模型压缩、知识蒸馏

Fig. 1 大模型压缩-知识蒸馏

1. 核心内容

本文提出在一个贝叶斯估计框架内估计闭源语言模型的输出分布，包括先验估计和后验估计。先验估计的目的是通过闭源模型生成的语料库（可能包含模型的粗粒度信息）得到先验分布；后验估计使用代理模型来更新先验分布并生成后验分布。利用这两个分布来进行知识蒸馏。

2. 方法

该文章的创新点是在知识蒸馏的过程中，使用一个代理模型作为教师模型和学生模型的中介，该项目配置如Table. 1

Table. 1 项目配置

项目	方法
benchmarks	BBH\ARC\AGIEval\MMLU\CSQA\GSM8K\
teacher model	GPT-4
proxy model	LLaMA-33B
student model	LLaMA-7B/13B

一些参数表示如下表

Table. 2 参数表示

变量	含义
$\mathcal{T}$	闭源的教师模型
$\mathcal{S}$	学生模型
$\mathcal{M}$	开源的代理模型
$X$	输入的token序列
$Y$	输出的token序列
$p_{Y_t}$	$\mathcal{T}$输出的概率Pr$(Y_t$ | $X,Y_{<t})$
$q_{Y_t}$	$\mathcal{S}$输出的概率Pr$(Y_t$ | $X,Y_{<t})$
$P_{Y_t}$	与$p_{Y_t}$相关的离散随机变量

用指示函数${\mathbb{I}}_{Y_t=\mathbf{w}}$（其实不是空心的I应该是空心的1，没法在CSDN打出来）表示$\mathcal{T}$在$t$时刻产生的one-hot编码标签。
传统的目标函数可以表示为
$${\mathcal{L}}_t^{\text{traditional}}=-\sum _{w\in \mathbb{V}}{\mathbb{I}}_{Y_t=w}\log q_{Y_t=w}+\sum _{w\in \mathbb{V}}{p}_{Y_t=w}\log \frac{p_{Y_t=w}}{q_{Y_t=w}}\text{\hspace{1em}(1)}$$式中$\mathbb{V}$表示词典，$w$是词典中的一个token，可以看出，${\mathcal{L}}_t^{\text{traditional}}$由两部分组成，第一部分表示由硬标签（Fig.2）产出的交叉熵损失(交叉熵与相对熵在第三章详细说明)，第二部分表示用软标签计算出的KL损失，一般情况下由于$p_{Y_t}$很难得到，第二项是被忽略的。

Fig.2 硬标签与软标签

这篇论文就是解决第二项的问题。

2.1 先验估计

先验估计的目的是使用$\mathcal{T}$生成的语料库$\mathcal{C}$，得到每一步$t$的近似$p_{Y_t}$的粗粒度估计${\hat{p}}_{Y_t}$，来自改良的n-gram算法（基于第n个项目的出现只与前面n-1个项目有关）来实现，对于给定一个输出token序列$Y_{\le t}\in \mathcal{C}$，假设$Y_t=w_t$其中$w_t$是$\mathbb{V}$中的一个token，对于$\mathbb{V}$中的某个token $w$如果有$w=w_t$，有
$${\hat{p}}_{Y_t=w}=\frac{\#(Y_t=w,Y_{t-1}=w_{t-1},\dots ,Y_{t-n}=w_{t-n})}{\gamma \#(Y_{t-1}=w_{t-1},\dots ,Y_{t-n}=w_{t-n})}+\frac{\gamma -1}{\gamma }\text{\hspace{1em}(2)}$$或者
$${\hat{p}}_{Y_t=w}=\frac{\#(Y_t=w,Y_{t-1}=w_{t-1},\dots ,Y_{t-n}=w_{t-n})}{\gamma \#(Y_{t-1}=w_{t-1},\dots ,Y_{t-n}=w_{t-n})}\text{\hspace{1em}(3)}$$式中，$\#$代表语料库$\mathcal{C}$中出现某一token的数量，$n$代表窗口大小，$\gamma$是个超参数，由此可得到一个$p_{Y_t}$的粗略估计${\hat{p}}_{Y_t}$。

2.2 后验估计

后验估计用来改善先验估计，后验估计使用贝叶斯估计框架，引入$\mathcal{T}$的一个代理模型$\mathcal{M}$（大于$\mathcal{S}$），$\mathcal{M}$已经由$\mathcal{T}$生成的$\mathcal{C}$微调，该估计使用代理$\mathcal{M}$生成的连续样本来细化${\hat{p}}_{Y_t}$。
假设$p_{Y_t}$的值可以用一个离散（更好理解）的随机变量$P_{Y_t}$描述，$P_{Y_t}$的数值取自m个数值$p^1,p^2,\dots ,p^m$，在0~1服从均匀分布。根据${\hat{p}}_{Y_t}$，可以重写$P_{Y_t}$的概率质量函数（连续的叫概率密度函数，离散的叫这个）为
$$\mathbb{E}(P_{Y_t})=\sum _{i=1}^m{p}^i\mathrm{Pr}(P_{Y_t}=p^i)={\hat{p}}_{Y_t}\text{\hspace{1em}(4)}$$
只要期望$\mathbb{E}(P_{Y_t})={\hat{p}}_{Y_t}$，概率质量函数就可以变化。把$X$和$Y_{<t}$喂给$\mathcal{M}$得到$t$时刻的样本$\hat{w}\in \mathbb{V}$，给定$\hat{w}$和$w\in \mathbb{V}$，事件$A$定义为如果$\hat{w}=w$，A=1；否则A=0。
如果事件A=1发生，根据贝叶斯定理：
$$\mathrm{Pr}(P_{Y_t=w}=p^i|A=1)\propto \mathrm{Pr}(A=1|P_{Y_t=w}=p^i)\mathrm{Pr}(P_{Y_t=w}=p^i)=p^i\mathrm{Pr}(P_{Y_t=w}=p^i)\text{\hspace{1em}(5)}$$式中 w ∈ V , i ∈ { 1 , 2 , … , m } w\in\mathbb{V},i\in\{1,2,\ldots,m\} w∈V,i∈{1,2,…,m}，通过下式得出一个归一化因子，则$\mathrm{Pr}(P_{Y_t=w}=p^i|A=1)$可以用$\frac{1}{\eta }{p}^i\mathrm{Pr}(P_{Y_t=w}=p^i)$来计算
$$\eta =\sum _{i=1}^m{p}^i\mathrm{Pr}(P_{Y_t=w}=p^i)\text{\hspace{1em}(6)}$$如果事件A=0发生，根据贝叶斯定理：
$$\mathrm{Pr}(P_{Y_t=w}=p^i|A=0)\propto \mathrm{Pr}(A=0|P_{Y_t=w}=p^i)\mathrm{Pr}(P_{Y_t=w}=p^i)=(1-p^i)\mathrm{Pr}(P_{Y_t=w}=p^i)\text{\hspace{1em}(7)}$$式中 w ∈ V , i ∈ { 1 , 2 , … , m } w\in\mathbb{V},i\in\{1,2,\ldots,m\} w∈V,i∈{1,2,…,m}，同样通过下式得出一个归一化因子
$$\begin{array}{r}\eta =\sum _{i=1}^m(1-p^i)\mathrm{Pr}(P_{Y_t=w}=p^i)\end{array}\text{\hspace{1em}(8)}$$则$\mathrm{Pr}(P_{Y_t=w}=p^i|A=0)$可由$\frac{1}{\eta }(1-p^i)\mathrm{Pr}(P_{Y_t=w}=p^i)$得出。
这样在A无论为0还是1都能有所替换，一次迭代结束，$\mathrm{Pr}(P_{Y_t}=p^i)$由$\mathrm{Pr}(P_{Y_t=w}=p^i|A=0)$和$\mathrm{Pr}(P_{Y_t=w}=p^i|A=1)$替换，然后进入下一次迭代。经过多轮采样，可以得到最终的概率质量函数$\mathrm{Pr}(P_{Y_t}=p^i|\mathcal{M})$，$p_{Y_t}$可以用期望来代替
$$\mathbb{E}(P_{Y_t}|\mathcal{M})=\sum _{i=1}^m{p}^i\mathrm{Pr}(P_{Y_t}=p^i|\mathcal{M})\text{\hspace{1em}(9)}$$$\mathbb{E}(P_{Y_t}|\mathcal{M})$即为后验估计。
该过程可以用下图3表示

Fig.3 后验估计过程

2.3 目标函数

第$t$步的目标函数由三部分组成，用指示函数${\mathbb{I}}_{Y_t=\mathbf{w}}$表示$\mathcal{T}$在$t$时刻产生的one-hot编码标签。第一部分的目标函数是交叉熵损失${\mathcal{L}}_t^{\mathrm{ce}}=-{\sum }_{w\in \mathbb{V}}{\mathbb{I}}_{Y_t=w}\log q_{Y_t=w}$，第二部分基于先验估计${\mathcal{L}}_t^{\mathrm{kl}}={\sum }_{w\in \mathbb{V}}{\hat{p}}_{Y_t=w}\log \frac{{\hat{p}}_{Y_t=w}}{q_{Y_t=w}}$，第三部分基于后验估计${\mathcal{L}}_{t|\mathcal{M}}^{\mathrm{kl}}={\sum }_{w\in \mathbb{V}}\mathbb{E}(P_{Y_t=w}|\mathcal{M})\log \frac{\mathbb{E}(P_{Y_t=w}|\mathcal{M})}{q_{Y_t=w}}$，最终得到目标函数
$$\mathcal{L}=\frac{1}{T}\sum _{t=1}^T({\mathcal{L}}_t^{\mathrm{ce}}+\alpha {\mathcal{L}}_t^{\mathrm{kl}}+\beta {\mathcal{L}}_{t|\mathcal{M}}^{\mathrm{kl}})\text{\hspace{1em}(10)}$$式中$\alpha$和$\beta$都是超参数。
总结一下如图4

Fig. 4 总体目标函数

3. 交叉熵损失函数与Kullback-Leibler（KL）损失函数

在信息论中，期望使用公式来表示事件所包含的信息的量度。

信息量，期望一个事件发生的概率越小，信息量就越大；而大概率的信息量较小，同时期望两个事件同时发生的信息量等于两个事件的信息量相加，由此可以规定一个事件的信息量为
$$I(x_i)=-{\log }_{b}P(x_i)\text{\hspace{1em}(11)}$$
信息熵 𝐻(𝑋)，也称为熵，是随机变量𝑋的期望信息量，可以通过对其所有可能结果的信息量求加权平均来计算：
$$H(X)=-\sum _{i=1}^{n}P(x_i){\log }_{b}P(x_i)\text{\hspace{1em}(12)}$$信息熵用来评估一个随机变量的不确定性，不确定性越大（对投色子，各数字概率密度均匀，取出任何数的概率相同），熵越大；不确定性越小（对扑克牌，普通牌与大小王的概率密度差距很大，取出普通牌的不确定性小），熵越小。

交叉熵假设随机变量𝑋的真实概率密度p，预测概率密度q，定义q对p的平均信息量的估计，叫做交叉熵，定义为公式
$$H(p,q)=\sum p_i{I}_i^q=-\sum p_{i}lo{g}_2(q_i)\text{\hspace{1em}(13)}$$交叉熵越小，预测的分布与真实的分布差异越小。且交叉熵总是大于熵的值。

KL散度也称为相对熵，是一种衡量两个概率分布差异的指标。KL散度是不对称的，即从分布P到分布Q的KL散度与从Q到P的KL散度不同。对于两个概率分布𝑃和𝑄定义在相同的概率空间上，KL散度定义为：
$$\mathrm{KL}(P\parallel Q)=\sum _x[P(x)(I_P-I_Q)]=\sum _{x}P(x)\log \left(\frac{P(x)}{Q(x)}\right)\text{\hspace{1em}(14)}$$
对于连续概率分布，求和变成积分。当两分布完全相同，则$\mathrm{KL}(P\parallel Q)=0$，KL熵用来衡量两分布的相似程度，KL熵越小，两分布越相似。

这篇关于20240621日志：大模型压缩-从闭源大模型蒸馏的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---