应根据教师输出选择损失：若为概率分布则用KL散度，需教师softmax后取log、学生log_softmax；若为logits则可用MSE但丢失温度平滑效应；KL在小数据或类别不平衡时更稳，但需梯度裁剪。
知识蒸馏中 KL散度损失 和 MSE损失 怎么选？
看教师模型输出的是概率分布还是 logits —— 如果用 torch.nn.KLDivLoss，必须确保学生模型也经过 log_softmax，而教师输出是 softmax；直接拿 raw logits 算 MSE 虽简单，但温度系数 T 没起作用，软标签的平滑效应就丢了。
- 常见错误：把教师的
logits直接喂给KLDivLoss，报错Expected input tensor to have log probabilities - 正确链路：教师
logits / T → softmax → log()，学生logits / T → log_softmax，再进KLDivLoss - 小数据或类别不平衡时，
KLDivLoss通常比MSELoss更稳；但训练初期梯度可能爆炸，建议搭配torch.nn.utils.clip_grad_norm_
PyTorch 里怎么让教师模型不更新梯度？
不是只加 with torch.no_grad(): 就够了 —— 如果教师模型里有 BatchNorm 层，它默认会继续更新 running_mean / running_var，导致蒸馏过程中的统计量漂移，学生学的其实是“动起来的教师”。
- 必须显式调用
teacher.eval()，哪怕你没开 dropout - 如果教师用了
SyncBatchNorm或自定义 BN，还要确认是否在多卡下被torch.nn.parallel.DistributedDataParallel包裹，此时eval()可能不生效 - 更稳妥的做法：在蒸馏循环开头加
teacher.train(False)，并手动冻结 BN 参数：for m in teacher.modules(): if isinstance(m, torch.nn.BatchNorm2d): m.track_running_stats = False
temperature 设太高或太低会怎样？
temperature 不是越大越好。设成 20，教师输出几乎变成均匀分布，学生学不到区分性；设成 1，软标签和硬标签没区别，蒸馏失去意义。
- 典型取值在
3~7之间，CV 任务常用4，NLP 任务（如 BERT 蒸馏）倾向1~2（因 logits 差异本身已较大） - 如果学生模型比教师小很多（比如 TinyBERT 蒸馏 BERT-base），可以先用
T=5预热 1–2 个 epoch，再降到T=2细调 - 注意：
T同时影响 KL 散度计算和学生输出的梯度尺度，所以学习率得相应调低（经验上除以T²）
蒸馏时要不要保留原始任务 loss？
要，而且不能简单加权平均。学生模型如果只学软标签，会在验证集上出现“高置信、低准确”现象 —— 对教师认为模糊的样本过度自信。
立即学习“Python免费学习笔记（深入）”；
- 标准做法是混合 loss：
total_loss = alpha * ce_loss(student_logits, labels) + (1 - alpha) * kl_loss(student_log_soft, teacher_soft) -
alpha别设成 0.5：初始阶段建议0.2~0.3，等学生 logits 接近教师后再逐步提高到0.5 - 如果下游任务 label 噪声大（比如弱监督数据），可把
ce_loss换成label_smoothing=0.1的版本，避免学生过拟合错误硬标签
事情说清了就结束。真正难的不是调通蒸馏流程，而是发现学生模型在某个子集上始终比教师差 —— 这时候得回过头看教师自己在这个子集上的预测是否稳定，而不是急着改 loss 权重。
