简单学点大模型-新的模型架构

9.1 混合专家模型（MoE)

MoE 将预测建模任务分解为若干子任务，在每个子任务上训练一个专家模型（Expert Model），开发一个门控模型（Gating Model），门控模块用于选择使用哪个专家，组合各种专家。模型的实际输出为各个模型的输出与门控模型的权重组合。

各个专家模型可采用不同的函数（各种线性或非线性函数）。混合专家系统就是将多个模型整合到一个单独的任务中。

下图描述了MoE的基础架构：

在 MoE 架构中，一组专家和一个门控相互合作，通过将输入空间划分为一组嵌套的区域来解决非线性监督学习问题，如下图所示。门控对整体输入空间进行软分割，专家模型在这些区域的分区中学习特定的参数。可以使用期望最大化 (Expectation Maximization, EM) 算法来学习专家模型和门控模型中的这些参数。

训练

我们可以通过反向传播（信号向前传播）结合最优化法（如梯度下降法）更新混合专家模型，使模型相邻两次迭代的误差很小。

节约计算

注意到，门控函数 对于每个专家都是非零的。例如:

正如公式所言，专家的混合不会节省任何计算，因为前向传播仍然需要评估每个专家，而反向传播也必须接触每个专家。 然而，如果我们将门控函数近似为，其中大多数专家都是零。因此，在前向和反向传播时，我们只需要使用非零的专家 。

例如，我们可以选取值排名前两位（top 2）的专家，并重新规范化：

平衡专家

• 只有所有专家都参与进来，混合专家才有效。
• 如果只有⼀个专家处于活跃状态（例如， )， 那么这就是浪费。
• 此外，如果我们⼀直处于这种状态，那么未使用的专家的梯度将为零，因此他们将不会收到任何梯度并得到改善。
• 因此，使用混合专家的主要考虑因素之⼀是确保所有专家都能被输入使用。

并行

• 混合专家非常有利于并行。
• 每个专家都可以放置在不同的机器上。
• 我们可以在中心节点计算近似门控函数 。
• 然后，我们只要求包含激活专家的机器（稀疏）来处理 。

9.1.1 Sparsely-gated mixture of experts（稀疏门控制的混合专家模型）

现在的模型越来越大，训练样本越来越多，每个样本都需要经过模型的全部计算，这就导致了训练成本的平方级增长。

为了解决这个问题，提出了一种方式，即将大模型拆分成多个小模型，对于一个样本来说，无需经过所有的小模型去计算，而只是激活一部分小模型进行计算，这样就节省了计算资源。

那么如何决定一个样本去经过哪些小模型呢？这就引入了一个稀疏门机制，即样本输入给这个门，得到要激活的小模型索引，这个门需要确保稀疏性，从而保证计算能力的优化。

也就是说，我们会尝试降低专家2的权重，避免其被过度使用，以节省计算资源。

9.1.2 Switch Transformer

定义近似门控函数只有一个专家（获得更多稀疏性）。

自然语言 MoE 层，它以 token 表征 x 为输入，然后将其发送给 top-k 专家。假设将 token 表征发送给 k>1 个专家是必要的，可以使 routing 函数具备有意义的梯度。他们认为如果没有对比至少两个专家的能力，则无法学习路由。

在MoE中，Switch Transformer只将 token 表征发送给单个专家。研究表明，这种简化策略保持了模型质量，降低了路由计算，并且性能更好。研究者将这种 k=1 的策略称为 Switch 层。

由于训练和推断过程中的路由决策，计算是动态的。鉴于此，一个重要的技术难题出现了：如何设置专家容量？

专家容量（每个专家计算的 token 数量）的计算方式为：每个批次的 token 数量除以专家数量，再乘以容量因子。如公式所示：如果将太多 token 发送给一个专家，则会跳过计算，token 表征通过残差连接直接传递到下层。增加专家容量会导致数值太高将导致高计算和高内存的消耗。

9.1.3 Balanced Assignment of Sparse Experts (BASE) layers

为大型语言模型引入了一个新的专家平衡分配（BASE）层，大大简化了现有的高容量稀疏层。稀疏层可以通过将每个token表征发送给特定的专家模型来极大地提高训练和推理的效率。

然而，要学习充分利用现有专家的平衡routing函数可能很困难；现有的方法通常使用routing启发式方法或辅助专家平衡损失函数。相比之下，我们将token到专家的分配表述为一个线性分配问题，最佳分配是允许每个专家收到相同数量的token。这种最优分配方案通过平衡的计算负载来提高效率，同时也不需要通过任何新的超参数或辅助损失来简化训练。

9.1.4 Generalist Language Model (GLaM)

使用更多数据、计算和参数扩展语言模型推动了自然语言处理的重大进展。例如，由于扩展，GPT-3 能够在上下文学习任务上取得出色的成果。但是，训练这些大型密集模型需要大量的计算资源。提出并开发了一个名为GLaM（通才语言模型）的语言模型家族，它使用稀疏激活的专家混合架构来扩展模型容量，同时与密集变体相比，训练成本也大大降低。最大的 GLaM 有 1.2 万亿个参数，大约是 GPT-7 的 3 倍。它仅消耗用于训练 GPT-3 的 1/3 的能量，并且需要一半的计算失败才能进行推理，同时在 29 个 NLP 任务中仍能实现更好的整体零镜头和单次性能。

9.2 基于检索的模型

现在，我们转向另⼀类语言模型，基于检索的（或检索增强的、记忆增强的模型），它可以帮助我们突破稠密Transformer的缩放上限。

9.2.1 Encorder-decorder模型

输入 ：What is the capital of Canada?

输出 ：Ottawa

9.2.2 检索方法

基于检索的模型直观的生成过程：

• 基于输入x ，检索相关序列z 。
• 给定检索序列z 和输入x ，生成输出y 。

示例：

输入 ：What is the capital of Canada?

检索 ：Ottawa is the capital city of Canada.

输出 ：Ottawa

9.2.3 Retrieval-augmented generation (RAG)

RAG 是一种将信息检索与 seq2seq 生成器结合在一起的端到端可微模型。其中的信息检索系统是dense-passage retrieval system，seq2seq生成器则是使用BART模型。

从输入和输出看，RAG很像是一个标准的 seq2seq 模型。不过RAG还有一个中间步骤，RAG没有将输入直接传递给生成器，而是使用输入来检索一组相关文档。

比如输入问题是：“地球上第一个哺乳动物是什么时候出现的？”，RAG可能先用检索系统召回“哺乳动物”、“地球历史”和“哺乳动物的进化”相关文档。然后，这些文档作为上下文与原始输入拼接起来，再输入到seq2seq模型。

9.2.4 RETRO

该模型与 GPT-3 性能相当，但参数量仅为 GPT-3 的 4%。RETRO 整合了从数据库中检索到的信息，将其参数从昂贵的事实和世界知识存储中解放出来。