知识蒸馏

知识蒸馏在推荐场景中有着广泛的引用，其优势在于不增加模型参数量和特征的情况下也能提高模型的性能。常见应用场景包括:

  • 利用精排模型蒸馏粗排模型，可以提升粗排模型的auc，并且使得粗排模型和精排模型有比较好的一致性

  • 利用优势特征蒸馏不带该特征的模型, 可以使得模型能够利用优势特征的信息

  • 利用gdbt蒸馏DNN模型，可以增强DNN模型对于连续值特征的处理能力

kd

  • loss_name: loss的名称, 默认是’kd_loss_’ + pred_name

  • pred_name: 预测的名称, 对于RankModel可以是logits, probs

    • 如果不确定，可以随便填一个，然后在报错信息中，可以查看所有的pred_name

  • pred_is_logits: 预测的是logits, 还是probs, 默认是logits

  • soft_label_name: 蒸馏的目标, 对应训练数据中的某一列，该目标由teacher模型产生

  • label_is_logits: 目标是logits, 还是probs, 默认是logits

  • loss_type: loss的类型, 可以是CROSS_ENTROPY_LOSS或者L2_LOSS

  • loss_weight: loss的权重, 默认是1.0

  • temperature: 蒸馏的温度，温度越高，student模型学到的细节越丰富, 但对于student模型的能力要求越高, 最优的温度需要通过多次试验才能确定

  • Note: 可以设置多个kd, 如多目标场景需要对多个预测结果进行蒸馏

  • 示例config

data_config {
  input_fields {
    input_name:'clk'
    input_type: INT32
  }

  ...

  input_fields {
    input_name: 'kd_soft'
    input_type: DOUBLE
  }

  label_fields: ['clk', 'kd_soft']
}


model_config {
  model_class: "DSSM"

  ...

  kd {
    soft_label_name: 'kd_soft'
    pred_name: 'logits'
    loss_type: CROSS_ENTROPY_LOSS
    loss_weight: 1.0
    temperature: 2.0
  }
}

训练命令

训练命令不改变, 详细参考模型训练

Local

python -m easy_rec.python.train_eval --pipeline_config_path samples/model_config/dssm_kd_on_taobao.config

On PAI

pai -name easy_rec_ext -project algo_public
-Dconfig=oss://easyrec/easy_rec_test/dssm_kd_on_taobao.config
-Dcmd=train
-Dtables=odps://pai_online_project/tables/dwd_avazu_ctr_deepmodel_train,odps://pai_online_project/tables/dwd_avazu_ctr_deepmodel_test
-Dcluster='{"ps":{"count":1, "cpu":1000}, "worker" : {"count":3, "cpu":1000, "gpu":100, "memory":40000}}'
-Darn=acs:ram::xxx:role/ev-ext-test-oss
-Dbuckets=oss://easyrec/
-DossHost=oss-cn-beijing-internal.aliyuncs.com
-Dwith_evaluator=1;

On EMR

el_submit -t tensorflow-ps -a easy_rec_train -f dwd_avazu_ctr_deepmodel.config -m local -pn 1 -pc 4 -pm 20000 -wn 3 -wc 6 -wm 20000 -c "python -m easy_rec.python.train_eval --pipeline_config_path dssm_kd_on_taobao.config --continue_train"

参考文献