ต่อไปคำแนะนำต่อไป
การกลั่นแบบแพร่กระจายแบบปฏิปักษ์และแบบเทอร์โบ
เทคนิค
คู่มือทางเทคนิค
Knowledge distillation trains a student model using a teacher model’s outputs or representations as supervision.
ฟังคำแนะนำนี้บรรยายโดย AI · ~2 min
It can support more efficient deployment, but the student’s accuracy and behavior depend on its capacity, training data, and the teacher signal.
Big models are accurate but slow and expensive to deploy. Knowledge distillation transfers their capability into a compact model by having the student learn from the teacher's outputs rather than only from hard labels. The key insight, from Hinton and colleagues, is that a teacher's full probability distribution carries 'dark knowledge': even when it predicts 'dog', the relative probabilities for 'wolf' versus 'car' reveal how the teacher sees similarities. Softening these probabilities with a temperature exposes that structure, and the student is trained to match it, often alongside the true labels. The goal is an efficient student that benefits from teacher supervision; the actual accuracy and speed must be measured for the task and implementation. DistilBERT and TinyBERT are well-known distilled language models.
DistilBERT บีบอัด BERT ให้เหลือพารามิเตอร์น้อยลงประมาณ 40% ในขณะที่ยังคงรักษาความเข้าใจภาษาส่วนใหญ่ไว้เพื่อการอนุมานที่รวดเร็วยิ่งขึ้น
ลดขนาดโมเดลการมองเห็นขนาดใหญ่เพื่อให้ตัวแยกประเภทรูปภาพสามารถทำงานแบบเรียลไทม์บนแอปกล้องของสมาร์ทโฟน
กลั่นกรองการใช้เหตุผลแบบห่วงโซ่ความคิดของโมเดลใหญ่ให้เป็นโมเดลขนาดเล็กเพื่อให้ตอบคำถามทางคณิตศาสตร์หรือการเขียนโค้ดได้ราคาถูกมากขึ้น
บีบอัดโมเดลทั้งหมดให้เป็นนักเรียนเพียงคนเดียว ดังนั้นต้นทุนการให้บริการการผลิตและเวลาในการตอบสนองจึงลดลงโดยไม่สูญเสียความแม่นยำมากนัก
ขณะนี้การกลั่นเป็นขั้นตอนมาตรฐานในการขนส่งโมเดลที่มีประสิทธิภาพ และเป็นศูนย์กลางของโมเดลเปิดขนาดเล็กที่มีความสามารถในปัจจุบัน แนวโน้มที่เติบโตอย่างรวดเร็วคือการกลั่นกรองระดับลำดับจากแบบจำลองภาษาขนาดใหญ่ โดยที่แบบจำลองที่แข็งแกร่งจะสร้างข้อมูลการฝึกอบรมหรือการติดตามการให้เหตุผล (รวมถึงห่วงโซ่แห่งความคิด) เพื่อสอนนักเรียนที่มีขนาดเล็กลง และทำให้เส้นไม่ชัดเจนด้วยข้อมูลสังเคราะห์ คาดหวังการจับคู่ที่เข้มงวดยิ่งขึ้นกับการกำหนดปริมาณและการตัด การปรับใช้บนอุปกรณ์ที่มากขึ้น และการถกเถียงอย่างต่อเนื่องเกี่ยวกับใบอนุญาตและคุณภาพเมื่อกลั่นจากโมเดลที่เป็นกรรมสิทธิ์ซึ่งผลลัพธ์กลายเป็นสัญญาณการฝึกอบรมของคู่แข่ง
จดหมายข่าวฟรี
เรื่องราว AI ที่ตรวจสอบแล้ว 3 เรื่องทุกวันทำงาน เช้า, เขียนเป็นภาษาอังกฤษธรรมดา ฟรีตลอดไป ไม่มีโฆษณา
อีเมลหนึ่งฉบับทุกวันทำงาน ยกเลิกการสมัครในคลิกเดียว เราไม่เคยขายหรือแชร์ที่อยู่อีเมลของคุณ
ทดสอบตัวเอง
ข้อเสนอแนะทันทีสำหรับทุกคำตอบ และใบรับรองที่สามารถแชร์ได้พร้อม ID ที่ตรวจสอบได้เมื่อคุณผ่านหลักสูตร
สนับสนุนการศึกษา AI ฟรี AI Understanding เป็นองค์กรไม่แสวงหาผลกำไร 501(c)(3) — ไม่มีโฆษณา ไม่มีกำแพงเงิน, ตลอดไป บริจาค
Knowledge distillation trains a student model using a teacher model’s outputs or representations as supervision. It can support more efficient deployment, but the student’s accuracy and behavior depend on its capacity, training data, and the teacher signal.
การกลั่นถ่ายทอดความสามารถของครูผู้ยิ่งใหญ่มาสู่โมเดลนักเรียนที่มีขนาดกะทัดรัดและรวดเร็วยิ่งขึ้น
ความรู้มืดเป็นโครงสร้างในการแจกแจงความน่าจะเป็นแบบเต็มของครู เหมือนกับว่า 'หมาป่า' มีความคล้ายคลึงกับ 'สุนัข' ไม่ใช่แค่คำตอบอันดับต้นๆ เท่านั้น
อุณหภูมิที่สูงขึ้นจะทำให้การแจกแจงความน่าจะเป็นแบนราบลง ซึ่งเผยให้เห็นความคล้ายคลึงกันที่นักเรียนควรเรียนรู้
นักเรียนจับคู่การแจกแจงแบบผ่อนผันของครู (เทอม KL) ในขณะเดียวกันก็ปรับป้ายกำกับความจริงพื้นฐาน (cross-entropy) ด้วย
DitilBERT เป็นแบบจำลองที่รู้จักกันดีซึ่งกลั่นจาก BERT โดยยังคงรักษาประสิทธิภาพส่วนใหญ่ไว้ด้วยพารามิเตอร์ที่น้อยกว่ามาก
เรียนรู้ต่อไป
คำแนะนำเพิ่มเติมที่เลือกสำหรับหัวข้อนี้
ต่อไปคำแนะนำต่อไป
การกลั่นแบบแพร่กระจายแบบปฏิปักษ์และแบบเทอร์โบ
เทคนิค