神经网络组件详解：MOE混合专家模型

神经网络组件详解：MOE混合专家模型

引用

CSDN

1.

https://blog.csdn.net/tdzhqxy/article/details/137743371

MOE（Mixture of Experts）混合专家模型是一种先进的神经网络架构，通过将问题分配给专门的领域专家模型来提高计算效率和准确性。这种架构在大模型训练中展现出独特的优势，能够实现更快的训练速度、更低的推理成本，并在多任务学习中表现出色。本文将详细介绍MOE模型的内部结构、计算流程及其主要优点。

MOE是什么

MOE：Mixture of Experts，可以简单理解为“问题分类+领域专家”组成的神经网络。如Google 的论文Switch Transformers中提出的一种MOE结构，通过Router进行问题分类，然后选择对应的FFN-专家模型进行问题的后续计算，其网络架构如下：

MOE内部架构

MOE架构，主要包括两个核心组件：GateNet/Router和Experts:

• GateNet/Router：判定输入应该由哪个专家模型接管处理。
• Experts：一组相对独立的专家模型，每个专家负责处理特定的输入子空间。

主流MOE数据计算流程

• 前向传播：与其他神经网络的前向传播一样。
• 门控计算/路由选择：决定上一步计算传入的 token 选择使用哪几个专家模型进行处理。专家选择策略有很多种，如Sparsely-Gated采用 TopK ；GShard使用 Top-2 ，排名最高的专家，加上按照路由权重随机选择第二个专家；Switch Transformers采用Top-1。
• 专家模型计算：待处理的token传入指定的专家模型，继续进行前向传播。
• 加权聚合：对于使用多专家选择策略计算的架构，需要对每个专家的输出进行加权聚合。
• 反向传播和更新：同其他神经网络的反向传播。

注：不是所有的MOE架构都按照上述流程进行计算，比如Adaptive Mixtures of Local Experts门控计算和专家模型计算同步进行。

MOE的优点

• 训练速度更快，效果更好：Google的Switch Transformer大模型能够在相同计算资源下，以更快的速度达到相同的PPL，而且模型是T5的15倍；
• 相同参数，推理成本低：DeepSeek的16B MoE大模型，仅在40%的计算量的情况下，性能和LLaMA 2 7B效果比肩。
• 多任务学习能力：MoE在多任务学习中具备很好的能力，Switch Transformer在所有101种语言上都显示出了性能提升，证明了其在多任务学习中的有效性。
• 稀疏性：不是所有expert都会起作用，而是极少数的expert会被使用来进行推理。这种稀疏性，也使得我们可以使用海量的experts来把模型容量做的超级大。

MOE应用方向

• 多模态：

相关论文：

• Adaptive Mixtures of Local Experts（1991）
• Learning Factored Representations in a Deep Mixture of Experts（2014）
• OUTRAGEOUSLY LARGE NEURAL NETWORKS:THE SPARSELY-GATED MIXTURE-OF-EXPERTS LAYER（2017）
• GSHARD: SCALING GIANT MODELS WITH CONDITIONAL COMPUTATION AND AUTOMATIC SHARDING（2021）
• MoEfication: Transformer Feed-forward Layers are Mixtures of Experts（2022.04）
• Switch Transformers: Scaling to Trillion Parameter Models with Simple and Efficient Sparsity（2022.06）
• Mixture-of-Experts Meets Instruction Tuning:A Winning Combination for Large Language Models（2023.07）