引言
在上篇文章中，我们介绍了知识蒸馏技术的基本概念和工作原理，展示了它如何将大型模型的能力转移到小型模型中。本文将深入探讨知识蒸馏的核心机制——软标签，揭示它为何是实现有效知识迁移的关键。
接下来，我们将分析传统硬标签的局限性，软标签如何弥补这些不足，以及它在实际训练过程中的应用方法。
软标签：知识蒸馏的核心机制
软标签(Soft Labels)是知识蒸馏中的核心概念，指的是教师模型输出层的完整概率分布，而不是真实的答案。软标签代表了从简单"是与否"判断到丰富"相似程度"概率分布的转变，使学生模型能够获取教师模型内部积累的"暗知识"。这里的"暗知识"指的是大模型在训练过程中学到但未直接体现在最终分类结果中的隐含知识，如类别间的相似度关系、特征空间的结构信息等。这些知识虽然不直接显现在硬标签中，但对模型理解数据和泛化能力至关重要。
在传统机器学习中，我们通常使用"硬标签"来训练模型，例如猫的图片标签可能是[1,0,0,0]，表示该图片属于第一类（猫）。然而，这种简单的表示方法存在明显局限性：
信息量有限：硬标签只提供了"最终结果"，没有包含模型对各类别的置信度差异。
丢失细微判断：模型对不同类别的判断概率包含了丰富的相似性信息，硬标签完全忽略了这些。
不利于知识迁移：在蒸馏过程中，如果只使用硬标签，教师模型无法传递其内部习得的复杂判断依据给学生模型。
如下图所示，面对一张猫的图片，教师模型可能会产生这样的判断：60%的概率是猫，20%的概率是小型猞猁，15%的概率是幼虎，5%的概率是其他动物，最终得出这张照片是猫。
图像识别过程
软标签的实际应用
知识蒸馏过程中，软标签保留了教师模型输出层的完整概率分布，使知识迁移更加全面：
硬标签仅告诉我们："这是猫" [1,0,0,0]
软标签则传递完整信息："60%可能是猫，20%可能是小型猞猁，15%可能是幼虎，5%可能是其他动物" [0.6, 0.2, 0.15, 0.05]
如果我们在蒸馏过程中只使用硬标签，学生模型将无法获得教师模型判断过程中的关键洞察，比如"这张猫的图片与猞猁有一定相似性"这类信息。这种情况下，学生模型只能学到"正确答案"，而无法学到"为什么是这个答案"以及"与其他可能答案的关系"，从而导致知识迁移的不完全。
软标签的价值
软标签通过保留完整的概率分布，解决了知识迁移中的信息损失问题，具有以下关键价值：
传递暗知识：概率分布反映了教师模型内部的"暗知识"，包括类别间的相似性关系和模型的不确定性。
提供更丰富的学习信号：学生模型不仅学习"是什么"，还学习"有多像什么"。
增强泛化能力：通过学习类别间的相似性，学生模型能更好地处理边界情况和未见过的样本。
了解了软标签的核心价值后，接下来的问题是如何将这些丰富的知识实际传递给学生模型。软标签虽然包含了宝贵的暗知识，但仍需要设计合适的训练框架来确保学生模型能够有效吸收这些信息。下面我们将探讨知识蒸馏中学生模型的具体训练方法，看看如何在实践中充分利用软标签的优势。
学生模型的训练方法
学生模型的训练过程融合了多种学习目标，如下图所示：
学生模型训练方法
双重输入源
学生模型（图中"待训练"的模型）在训练过程中同时接收两种信息：
训练数据：原始的训练样本，如图中左侧所示的图像数据
蒸馏知识：来自教师模型的"软标签"预测值
双重学习目标
学生模型的训练过程融合了两个目标：
硬标签学习：学生模型需要根据原始训练数据的真实标签（"实际标签"）学习正确分类。这一部分通常使用标准的交叉熵损失函数计算，确保模型能够做出准确预测。
软标签学习：学生模型同时学习教师模型的输出概率分布（"预测值"）。这些软标签包含了教师模型对各个类别的信心程度，反映了类别之间的相似性关系等丰富信息。这部分通常使用KL散度等方法来衡量学生模型与教师模型输出分布的差异。
总结
软标签替代了传统的硬标签，记录了教师模型对所有类别的概率预测，而非仅标记正确类别。这种概率分布包含了丰富的"暗知识"，特别是类别间的相似性关系。
在知识蒸馏过程中，学生模型同时从原始数据和教师模型的软标签中学习，通过结合硬标签和软标签的双重学习目标，获得了更强的泛化能力。这种方法在保持模型表现的同时大幅降低了计算需求，使复杂AI能力得以在移动设备等资源受限场景中部署应用。
