模型蒸餾（model distillation）是一種訓練較小模型以近似較大模型的方法。在PyTorch中，可以通過以下步驟進行模型蒸餾：

1. 定義大模型和小模型：首先需要定義一個較大的模型（教師模型）和一個較小的模型（學生模型），通常教師模型比學生模型更復雜。

2. 使用教師模型生成軟標簽：使用教師模型對訓練數據進行推理，生成軟標簽（soft targets）作為學生模型的監督信號。軟標簽是概率分布，可以更豐富地描述樣本的信息，通常比獨熱編碼的硬標簽更容易訓練學生模型。

3. 訓練學生模型：使用生成的軟標簽作為監督信號，訓練學生模型以逼近教師模型。

以下是一個簡單的示例代碼，演示如何在PyTorch中進行模型蒸餾：

import torch
import torch.nn as nn
import torch.optim as optim

# 定義大模型和小模型
class TeacherModel(nn.Module):
    def __init__(self):
        super(TeacherModel, self).__init__()
        self.fc = nn.Linear(10, 2)
    
    def forward(self, x):
        return self.fc(x)

class StudentModel(nn.Module):
    def __init__(self):
        super(StudentModel, self).__init__()
        self.fc = nn.Linear(10, 2)
    
    def forward(self, x):
        return self.fc(x)

# 實例化模型和優化器
teacher_model = TeacherModel()
student_model = StudentModel()
optimizer = optim.Adam(student_model.parameters(), lr=0.001)

# 定義損失函數
criterion = nn.KLDivLoss()

# 訓練學生模型
for epoch in range(100):
    optimizer.zero_grad()
    
    # 生成軟標簽
    with torch.no_grad():
        soft_labels = teacher_model(input_data)
    
    # 計算損失
    output = student_model(input_data)
    loss = criterion(output, soft_labels)
    
    # 反向傳播和優化
    loss.backward()
    optimizer.step()

在上面的示例中，首先定義了一個簡單的教師模型和學生模型，然后使用KLDivLoss作為損失函數進行訓練。在每個epoch中，生成教師模型的軟標簽，計算學生模型的輸出和軟標簽的損失，并進行反向傳播和優化。通過這樣的方式，可以訓練學生模型以近似教師模型。