谷歌更新Transformer架构,更节省计算资源!50%性能提升 |
您所在的位置:网站首页 › Transformer架构 谷歌 › 谷歌更新Transformer架构,更节省计算资源!50%性能提升 |
谷歌终于更新了Transformer架构。 最新发布的Mixture-of-Depths(MoD),改变了以往Transformer计算模式。 它通过动态分配大模型中的计算资源,跳过一些不必要计算,显著提高训练效率和推理速度。 结果显示,在等效计算量和训练时间上,MoD每次向前传播所需的计算量更小,而且后训练采样过程中步进速度提高50%。 这一方法刚刚发布,就马上引发关注。 MoE风头正盛,MoD已经来后浪拍前浪了? 还有人开始“算账”: 听说GPT-4 Turbo在Blackwell上提速30倍,再加上这个方法和其他各种加速,下一代生成模型可以走多远? 所以MoD如何实现? 迫使大模型关注真正重要信息这项研究提出,现在的大模型训练和推理中,有很多计算是没必要的。 比如预测下一个句子很难,但是预测句子结束的标点符号很简单。如果给它们分配同样的计算资源,那么后者明显浪费了。 在理想情况下, 模型应该只给需要准确预测的token分配更多计算资源。 所以研究人员提出了MoD。 它在输入序列中的特定位置动态分配FLOPs(运算次数或计算资源),优化不同层次的模型深度中的分配。 通过限制给定层的自注意力和MLP计算的token数量,迫使神经网络学会主要关注真正重要的信息。 因为token数量是事先定义好的,所以这个过程使用一个已知张量大小的静态计算图,可以在时间和模型深度上动态扩展计算量。 下图右上图中的橙色部分,表示没有使用全部计算资源。 这种方法在节省计算资源的同时,还能提高效率。 这些模型在等效的FLOPS和训练时间上与基线性能相匹配,但每次前向传播所需的FLOP更少,并且在训练后采样时提速50%。 对比来看,如果为每一个token生成一个概率分布,每个token根据最高概率被送去对应的“专家”,可能会导致负载不平衡。 如果反过来,这能保障负载平衡,但是可能导致某些token被过度处理或处理不足。 最后来看论文中使用的Expert-choice MoD,router输出的权重被用于确定哪些token将使用transformer亏啊计算。权重较大的token将参与计算,权重较小的token将通过残差连接绕过计算,从而解决每次向前传播的FLOPs。 最后,研究团队展示了MoD在不同实验中的性能表现。 首先,他们使用相对较小的FLOP预算(6e18),以确定最佳超参数配置。 通过这些实验,作者发现MoD方法能够“拉低并向右推移”isoFLOP基线曲线,这意味着最优的MoD方法在更低的损失水平上拥有更多的参数。 通过isoFLOP分析,比较6e18、2e19和1e20 FLOPs的总计算预算下的模型性能。 结果显示,在更多FLOP预算下,FLOP最优的MoD仍然比基线模型有更多的参数。 存在一些MoD变体,在步骤速度上比isoFLOP最优基线模型更快,同时实现更低的损失。这表明在训练之外,MoD的计算节省仍然有效。 同时,研究团队还探讨了MoD和MoE结合的可能性——MoDE。 结果表明而这结合能提供更好的性能和更快的推理速度。 MoD推出后马上引发了不小关注。 有人感慨,MoE还没有弄清楚呢,MoD都已经来了! 这么高效的方法,让人马上联想到了ResNet。 不过和ResNet不同,MoD跳过连接是完全绕过层的。 还有人表示,希望这种方法是完全动态的,而不是每个层固定百分比。 这项研究由DeepMind和麦吉尔大学共同带来。 主要贡献者是David Raposo和Adam Santoro。 他们二人都是DeepMind的研究科学家。此前共同带来了神作《Relational inductive biases, deep learning, and graph networks》。 这篇论文目前被引次数超过3500次,论文核心定义了Inductive bias(归纳偏置)概念。 论文地址: https://arxiv.org/abs/2404.02258 参考链接: [1]https://twitter.com/TheSeaMouse/status/1775782800362242157 [2]https://twitter.com/_akhaliq/status/1775740222120087847 |
今日新闻 |
推荐新闻 |
CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |