MoE：混合专家模型介绍（一）
本文是对混合专家模型 (MoE) 详解重点摘要与归纳，有兴趣的小伙伴可以点击链接阅读原文。
混合专家模型 (MoEs)特点
- 与稠密模型相比，预训练速度更快
- 与具有相同参数数量的模型相比，具有更快的推理速度
- 需要大量显存，因为所有专家系统都需要加载到内存中
- 在微调方面存在诸多挑战，但近期的研究 表明，对混合专家模型进行指令调优具有很大的潜力。
什么是混合专家模型？
作为一种基于 Transformer 架构的模型，混合专家模型主要由两个关键部分组成:
- 稀疏 MoE 层:这些层代替了传统 Transformer 模型中的前馈网络 (FFN) 层。通过多个称为“专家”的独立神经网络(一般是FFN，当然也可以是MoE本身)的选择性激活，提高模型效率与灵活性。
- 门控网络或路由: 这个部分用于决定哪些token被发送到哪个专家。一个令牌可以被发送到多个专家。令牌的路由方式是 MoE 使用中的一个关键点，因为路由器(router)由学习的参数组成，并且与网络的其他部分一同进行预训练。
遭遇的挑战
- 训练挑战: 在微调阶段往往面临泛化能力不足的问题，长期以来易于引发过拟合现象。
- 推理挑战: MoE模型在推理过程中只使用其大量参数中的一部分，这使得它们的推理速度快于具有相同数量参数的稠密模型。然而，这种模型需要将所有参数加载到内存中，因此对内存的需求非常高。
