MoE 混合专家核心思想混合专家模型Mixture of ExpertsMoE是一种先进的神经网络架构旨在通过整合多个模型或“专家”的预测来提升整体模型性能。MoE模型的核心思想是将输入数据分配给不同的专家子模型然后将所有子模型的输出进行合并以生成最终结果。这种分配可以根据输入数据的特征进行动态调整确保每个专家处理其最擅长的数据类型或任务方面从而实现更高效、准确的预测。优势模型索然很大但是推理速度快。例如同样的FLOPs由于只激活少数专家实际激活参数量比较低推理速度比同样参数的密集模型快而且可以得到更好的结果。训练起来不像密集架构那样全部参数都要训练只有少数专家激活并参与训练分布式架构专家可以分配到不同设备上去。劣势理论上分布式在缺乏分布式节点和计算设备时比较鸡肋。训练不稳定路由算法往往不可微分路由算法的学习不稳定。MoE的基本原理MoE的架构多个不同的MLPvs 多个不同的 Transformer头注意为了确保参数量不会爆炸MLP的d_ff通常会大幅度减小甚至比d_model还小路由算法基本分类为每一个token选专家vs 为每一个专家选token通常是为每一个token选专家具体策略可以分类为 随机选择RL算法TOPK哈希法。TOPK算法基本思想将路由器认为是一个简单的MLP给定token x映射为专家选择的概率s选择前K个专家。将专家计算的结果和选择概率加权求和与原输入残差链接。路由选择函数的训练目标(损失函数)核心思想避免只选择特定专家和设备fif_ifi统计所有batch/设备中实际选择专家i的比例PiP_iPi统计所有batch/设备中路由器选择专家i的概率(想选择专家i的比例)惩罚路由器想选择专家i且实际选择专家i的情况。直接对于softmax分数进行显示调整的方法