Dataset Distillation with Attention Labels for Fine-tuning BERT
文章使用了DD更新的方式，就是先使用蒸馏数据集训练一个模型，然后计算真实数据在这个模型上的损失，更新蒸馏数据集。
文章的做法是：在训练蒸馏数据集网络时，加入了attention损失
这时候生成数据集不仅仅包含原始数据x和y，还包含了a，这是attention模块的输出，作者只取了[CSL]模块的输出。
之后使用蒸馏数据集训练模型时，不仅需要x,y的预测损失，还需要加入[cls]的损失。