论文阅读_GLaM

name_ch: GLaM：使用混合专家有效扩展语言模型
name_en: GLaM：Efficient Scaling of Language Models with Mixture-of-Experts
paper_addr: http://arxiv.org/abs/2112.06905
journal: ICML 2022（会议）
date_publish: 2022-08-01

读后感

针对节约计算资源的研究，推进了针对细分专家领域。

一种混合专家（MoE）模型，可以将其视为具有不同子模型（或专家）的模型，每个子模型都专门针对不同的输入。每层中的专家由门控网络控制，该网络根据输入数据激活专家。

摘要

文中提出 GLaM (Generalist Language Model) 通用语言模型，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，其中输入批次中的每个标记仅激活 96.6B（1.2T 的 8%）参数的子网络。

最大的 GLaM 有 1.2 万亿个参数，大约是 GPT-3 的 7 倍。它仅消耗用于训练 GPT-3 的 1/3 的能量，并且只需要一半的计算触发器来进行推理。

介绍

算力和效果

模型结构对比

训练数据

使用 1.6T token，开发了自己的文本质量分类器，以从大型原始语料库中生成高质量的网络语料库。通过使用 Pareto 分布根据网页的分数对网页进行抽样来应用此分类器。

数据如下图所示：

模型结构

每个 MoE 层（底部灰块）与 Transformer 层（上部块）交错。对于每个输入 token，例如“玫瑰”，门控模块从 64 个专家中动态选择两个最相关的专家，由 MoE 层中的蓝色网格表示。这两个专家的输出的加权平均值将被传递到上层的 Transformer 层。专家是被稀疏激活的，从而节约了计算资源。在推理阶段，同样是针对每个 token 选择两个专家。

实验

作者训练规模不同的多个 GLaM 模型，并在 Zero/Few Shot, 自然语言生成 (NLG)，自然语言理解 (NLU) 等任务中评测了模型。

模型效果对比：

没有注入知识图，仅是从当前信息里直接学习。

实验还对比了根据质量筛选数据对模型训练的影响。过滤后的网页包含 143B 个 token，而未过滤的网页包含大约 7T 个 token。图 -3(c)(d) 展示了过滤前后的对比，说明有些任务需要高质量的数据训练。

图 -3 的 (a)(b) 展示了，在各种计算量条件下，MoE 都表现出相对稠密模型更好的效果。

模型名称定义如下表所示，E 表示专家个数。

图 -4 展示了模型效果和效率：

从左边三个图可以看出，达到相同效果稀疏模型需要的 token 更少，且稀疏模型优于稠密模型。从右边的图也可以看到稀疏模型有效节约了资源。