本文首发于我的公众号"AI不止算法", 原文链接位于此,欢迎关注公众号。
最近,LLM MoE非常火,Mixtral-8x7b是第一个开源的MoE,先说明一下,标题里面的“全网首篇”不能随便加,我一直在调研相关资料,发现确实没有从tensorRT-LLM角度来讲的,所以才加上了哈。
网上已经有了从模型结构和官方python源码和huggingface源码对Mixtral-8x7b作解析的优秀文章,解析得都非常好,然而,他们有两个不足点在于:
-
一是没有区分开训练和推理来解析,这导致很多朋友不知道哪部分是训练时候做的,哪部分是推理时候做的,看了后非常混乱,对MoE还是似懂非懂
-
二是多数都是停留在Pytorch python API的角度去解析,不是说不好,只是还比较偏上层,不利于读者深度理解大模型推理引擎层面该怎么样去实现并加速Mixtral-8x7b为代表的MoE模型
本文出于如下原因先讲讲MoE推理相关的内容:
-
训练比推理不仅内容方面更杂,而且理解起来门槛也更高,推理很适合对MoE建立起80%的认识
-
n本人做推理多一些
已经对MoE比较熟悉的朋友,可以直接划到最后看tensorRT-LLM的实现。
一句话讲明MoE的概念
如果大家对传统机器学习算法比较熟悉,看过李沐的统计学习方法或者吴恩达的机器学习,那么应该听过bagging、boosting等集成学习方法,MoE其实也是集成学习,相较于深度神经网络(Deep Neural Network), MoE更像是宽度神经网络,如下图所示,对于MoE的结果是多个expert的输出进行加权组合得到的,router又叫gating网络,包括一个linear和softmax,起到路由的作用,分发给不同expert权重。所以AAAI22也有一篇paper叫做“Go wider instead of deeper”
# moe的pytorch代码
import torch
import torch.nn as nn
class Expert(nn.Module):
def __init__(self, input_dim):
super(Expert, self).__init__()
self.fc = nn.Linear(input_dim, 1)
def forward(self, x):
return self.fc(x)
class MoE(nn.Module):
def __init__(self, input_dim, num_experts):
super(MoE, self).__init__()
self.experts = nn.ModuleList([Expert(input_dim) for _ in range(num_experts)])
# gating的组成
self.gating = nn.Sequential(
nn.Linear(input_dim, num_experts),
nn.Softmax(dim=1)
)
def forward(self, x):
# 各个expert做forward前向推理
expert_outputs = [expert(x) f