大模型之MoE

MoE：Mixture of Experts 混合专家模型

1、MoE优缺点：

推理速度：相当于占用更多的GPU显存，但是因为只使用其中1/4甚至更低的参数，推理时速度更快。相比于非MoE的模型，快多少倍？

低成本：与具有相同总参数数量的密集模型相比，训练和推理上是会好一些，但是效果也会差一些。

GPU VRAM 需求：一个问题是它们对 VRAM 的高需求，因为所有专家都需要加载到内存中，即使在某个特定时间只使用了 1 或 2 个。

微调困难：历史上，MoEs 在微调方面存在困难，经常导致过拟合。尽管现在在这方面已经取得了许多进展，并且变得更容易。

训练和推理的权衡：尽管提供了更快的推理，但它们需要对 VRAM 和计算资源进行谨慎管理。还是时间和空间的平衡问题。

GPT4的参数量预估：GPT4 -> 8 x 220B 参数 = 1.7T 参数 （1.7万亿参数）

GPT-3.5 大约有 175B 参数

2、Mistral 8x7B MOE

8 个专家模型，每次推理时激活 2 个专家模型。总参数量 46.7B，每次推理用 12.9B。其效果自然比 14B强、速度比 48B快。

3、Gshard MoE的核心架构

DeepSpeed的MoE模型架构是Gshard。

首先，我们有一串过Attention层后的token序列

我们通过Gate，计算每个token去往每个expert的概率

我们希望不同expert处理的token数尽量均衡，所以我们同时采取三方面优化：

Capacity: 为每个expert设置capacity（expert buffer），限制它能处理的最大token数量，多出来的token算为溢出，在top2Expert都溢出的情况下，该token会被直接发去下一层attention。

Random Routing: 每个token一定会被发去1st Expert，在此基础上我们通过random routing加噪的方式，重新选出2nd expert。在做完capacity + random routing后，我们最终确认了每个token要发去的top2expert和其对应的权重，通过加权计算的方式，确认Moe-Layer最终的输出结果。

Auxiliary Loss：添加辅助损失函数，对expert负载不均的情况做进一步惩罚。

回到上图的处理方式是：

如果只有单个expert溢出，那么就把另一个expert的权重值为1，然后正常参与加权计算（如图中t6）

如果2个expert都溢出，那么该token就不经过任何expert，直接通过残差连接的方式，原样发去下一层的Attention上（如图中t7）

Capacity的计算公式：

S是 token数，E是 专家总数， K是 选择专家数。

capacity_factor 调节每个expert多处理或少处理一些token，min_capacity 容量下界。

DeepSpeed-Megatron MoE并行训练