机器之心原创

2023/09/25 14:34

将混合专家推向极限：只需更新0.32%的参数就能完成模型微调

微调无需更新全部模型参数，这种方法只需更新不到 1% 的参数。

众所周知，大模型的训练成本很高，但其实对预训练后的模型进行微调也需要一定的成本，还好我们已经有了 (IA)³ 或 LORA 等一些参数高效型微调（PEFT）方法。

近日，AI 创业公司 Cohere 更进一步，将混合专家方法与 PEFT 组合，实现了极其参数高效的微调 —— 即使是在未曾见过的任务上，这种新方法只需更新不到 1% 的参数，就能实现与完全微调方法相当的性能。

Cohere 公司在攻克这些挑战上迈出了重要一步，提出了一个新框架 —— 可在大幅受限的计算环境中利用 MoE 的优势。

论文链接：https://arxiv.org/abs/2309.05444
代码链接：https://github.com/for-ai/parameter-efficient-moe

传统的训练范式是将模型的权重应用于每个输入。有理由相信这种方法效率不高，因为单个输入可能无法让模型发挥全部力量。

相比之下，混合专家（MoE/Mixture of Experts）则是基于多个子模块组件（即所谓的专家），这些组件可以专门处理不同类型的输入。这种对于条件计算的强调对效率具有重要的影响，比如会有恒定的推理成本。这使得 MoE 成了大规模 Transformer 时代一个重要的研究领域并得到了广泛的采用；而在这些应用中，规模的扩张也会造成部署成本和延迟上升。

尽管截至目前的大部分研究关注的是将 MoE 用作一种预训练策略，但 MoE 的内在动机并不仅局限于预训练。事实上，MoE 具有一些非常适合指令微调的特性；在指令微调设置中，数据会被刻意地构建，以代表多样化的任务，这通常也被称为多任务微调。

基于这一观察，AI 创业公司 Cohere 提出了一个问题：能否使用 MoE 来进行指令微调？MoE 范式的一大主要缺点是会引入大量参数。尽管是基于条件执行计算，但完全微调 MoE 架构需要更新所有参数，这需要非常大量的计算。对于大多数实践者来说，考虑到现代 LLM 的规模，这样的计算成本是无力支撑的。

于是，Cohere 公司关注的是更为现实的实践场景，即将 MoE 用于参数高效型微调（PEFT）方法，如 (IA)³ 或 LORA，它们微调的参数数量会少很多。这是一个重大挑战，不仅因为目标是仅更新所有参数的一小部分，而且因为还要在更受限的环境中解决 MoE 固有的优化挑战。

他们引入了 Mixture of Vectors（MoV）和 Mixture of LORA（MoLORA），一种参数高效型混合专家适应方法。不同于标准的 MoE，这种新框架很轻量，可用于对参数有限制的场景。

值得注意的是，在未曾见过的任务上，这种新方法只需更新不到 1% 的参数，就能实现与完全微调方法相当的性能。其表现也能轻松胜过 (IA)³ 或 LORA 等基础的参数高效型技术。

该团队基于 55 个数据集，在 12 个不同任务上，用 770M 到 11B 的不同大小 T5 模型进行了实验，得到了相当一致的结果。

本文的主要贡献包括：

1. 提出了极其参数高效的 MoE。该架构利用了模块化和轻量级的专家，可在更加现实的设置中使用 MoE。使用这个新提出的 MoE 来训练一个密集模型时，仅需更新其不到 1% 的参数。

2. 使用新提出的方法执行指令微调时，在未曾见过的任务上能取得持续优于传统参数高效方法的性能，同时还能为不同大小的模型维持较高的参数效率。相较于 3B 和 11B 模型大小的标准 (IA)³，混合 (IA)³ 向量（MoV）分别实现了 14.57% 和 8.39% 的提升。这种优越性在各种大小的模型、各种类型的专家和可训练参数负载上都有体现。

3. 研究表明新提出的方法能取得与大规模完全微调方法相当的性能表现，同时只需更新一小部分模型参数。研究者在 8 个未曾见过的任务上进行了实验，结果表明 MoV 仅会分别更新 3B 和 11B 模型中 0.32% 和 0.86% 的参数，却能以显著更低的计算成本实现与完全微调方法相当的表现。

4. 他们也进行了一系列广泛的消融研究，系统性地评估了各种 MoE 架构和 PEFT 策略的效能，涉及多种模型大小、不同的适应器类型、专家的数量、路由机制和优化超参数的重要性，尤其是考虑到 MoE 的敏感性。

方法

指令微调可以形式化地表述为：存在一个任务集合 T，将其分为训练任务集 T_train 和留存评估集 T_eval。

首先在 T_train 上对基础预训练模型进行微调，然后使用零样本方式在 T_eval 中的每个任务上评估微调后的模型。标准的微调方法是微调所有模型参数，这样会有很高的计算和内存成本。新提出的方法却有很高的参数效率，其使用了参数高效型混合专家，下面详细描述一下该框架。

(IA)³ 和 LORA 参数高效型微调方法

参数高效型微调（PEFT）方法只会更新少量参数的权重。为了展示新方法适用于不同的 PEFT 技术，研究者实验了 (IA)³ 和 LORA。这些方法会向已有的预训练模型模型添加少量参数。这里就不对 (IA)³ 和 LORA 做更详细的介绍了，感兴趣的读者可参阅原论文以及机器之心的报道《调教 LLaMA 类模型没那么难，LoRA 将模型微调缩减到几小时》。

极其参数高效的混合专家

新提出的极其参数高效的 MoE 框架使用了轻量级的「适应器」作为预训练密集模型之上的专家。

具体来说，MoE 是一系列神经网络架构，可以通过基于门控机制（路由器）激活的多个专家来进行条件计算。MoE 层由一个路由器网络 R 和一个专家集合 E 构成，其中 E 包含 n 个专家，每个专家 E_i 都是一个已参数化的函数。至于路由器网络 R 的设计，该团队参照了论文《Switch transformers: Scaling to trillion parameter models with simple and efficient sparsity》，通常由一个密集层后带一个 softmax 函数构成；其中这个密集层有可训练的权重 W_g，softmax 函数则是以中间 token 表征 x 为输入并基于门控分数 s_1, ..., s_n 将每个专家的输出组合到一起：

对于 Transformer 模型，其中的密集型前向层被 MoE 层取代，该层中每个专家 E_i 都对应于一个独立的密集型前向网络。随着每个专家的规模和专家数量的增加，模型的参数总数会成倍增大。但是，在新提出的参数高效型 MoE 架构中，每一个专家都被一个轻量级 PEFT 适应器（比如 (IA)³ 向量或 LORA 适应器）替代。

在微调过程中，密集层的预训练权重保持固定，而专家层和路由器层则从头开始训练。不同于标准 MoE，这种新提出的轻量级专家可以在微调时间学习适应预训练 Transformer 层。这样一来，新的 MoE 框架只需要少量参数更新，而不是整体对大模型进行更新。

除了参数效率之外，研究者选择的 PEFT 适应器可通过 soft merging 实现路由计算。具体来说，由于 (IA)³ 向量和 LORA 适应器都是线性函数，所以他们首先会计算专家的加权平均，然后使用组合后的专家 E_mix 应用一个 PEFT 变换：

对于把 (IA)³ 向量或 LORA 适应器分别用作专家的方法，研究者将它们分别命名为 Mixture of Vectors (MoV) 和 Mixture of LORA (MoLORA)，这两种方法都能持续稳定地优于对应的 PEFT 方法。下图 2 展示了 MoV 层的架构以及相应的伪代码。

通过 MoV 和 MoLORA 只更新少部分参数有一些实际的好处 —— 不仅有益于训练，也有助于推理；对于后者的优势是 MoE 架构所独有的。下面简要描述一些这些好处：

训练效率

这种极其参数高效的 MoE 形式可以显著减少内存消耗。通过在训练期间冻结大多数参数，不仅能减少计算模型参数的梯度的计算开销，而且还可降低存储模型的优化器状态的内存需求。根据优化器的选择，后者可能非常重要，举个例子，AdamW 等 Adam 优化器变体为了存储优化器状态，每个参数需要两倍的内存（根据一阶矩和二阶矩的估计），而 Adafactor 则能通过分解二阶参数矩的估计来将这种开销减半。

推理效率

MoV 和 MoLORA 方法的固有结构模块化特性能为推理带来显著的内存效益。对于传统的 MoE 模型，很多完全用于前向的块的副本（甚至基于特定架构的模型的完整副本）需要在推理时间被存储在内存中，这种做法的成本很高。

使用这种方法，不管确切的类型如何，都只需要将模型主干的一个副本保存在内存中，外加上轻量级参数高效型专家。这能在推理时间显著降低对内存的需求。

实验

参数高效型 MoE 与 PEFT 方法：新的 MoE 方法与单专家型 PEFT 方法相比如何？下表 1 比较了 PEFT 方法（(IA)³ 和 LORA）与新提出的参数高效型 MoE 方法（MoV 和 MoLORA）的零样本性能，其中基础模型是 T5-3B。

可以观察到，相比于标准的 (IA)³ 向量和 LORA 适应器，MoE 变体（MoV 和 MoLORA）的性能有显著优势。

比如，使用 30 个专家的 MoV 的表现优于密集型 (IA)³ 方法 14.57%，使用 15 个专家的 MoLORA 则在平均中值分数上提升了 5.70%。

在同样的参数负载下，MoV 的表现胜过 MoLORA。研究者也比较了新提出的两种方法：使用 3B 参数的基础模型时，MoV 在性能与参数成本的权衡方面表现更好。

参数高效型 MoE 与完全微调方法的对比。如表 1 所示，与完全微调的 T0-3B 相比，使用 10 个专家的 MoV 和 MoLORA 的性能相当。这是一个非常亮眼的结果，因为 MoV-10 仅更新了全体模型参数中的 0.32%。而如果将 MoV 的专家数增至 15，将 MoLORA 的专家数增至 30，新方法的效果甚至能小幅胜过完全微调方法。

此外，研究者还通过实验探索了参数高效型 MoE 随基础模型大小增长的性能变化情况、专家数量对下游任务性能的影响、最优的路由策略等方面，详见原论文。

工程

相关数据

权重技术

线性模型中特征的系数，或深度网络中的边。训练线性模型的目标是确定每个特征的理想权重。如果权重为 0，则相应的特征对模型来说没有任何贡献。

来源：Google AI Glossary

参数技术

在数学和统计学裡，参数（英语：parameter）是使用通用变量来建立函数和变量之间关系（当这种关系很难用方程来阐述时）的一个数量。

来源：维基百科

超参数技术

在机器学习中，超参数是在学习过程开始之前设置其值的参数。相反，其他参数的值是通过训练得出的。不同的模型训练算法需要不同的超参数，一些简单的算法（如普通最小二乘回归）不需要。给定这些超参数，训练算法从数据中学习参数。相同种类的机器学习模型可能需要不同的超参数来适应不同的数据模式，并且必须对其进行调整以便模型能够最优地解决机器学习问题。在实际应用中一般需要对超参数进行优化，以找到一个超参数元组（tuple），由这些超参数元组形成一个最优化模型，该模型可以将在给定的独立数据上预定义的损失函数最小化。

来源：Wikipedia

伪代码技术

伪代码，又称为虚拟代码，是高层次描述算法的一种方法。它不是一种现实存在的编程语言；它可能综合使用多种编程语言的语法、保留字，甚至会用到自然语言。它以编程语言的书写形式指明算法的职能。相比于程序语言它更类似自然语言。它是半形式化、不标准的语言。

来源：维基百科

神经网络技术

（人工）神经网络是一种起源于 20 世纪 50 年代的监督式机器学习模型，那时候研究者构想了「感知器（perceptron）」的想法。这一领域的研究者通常被称为「联结主义者（Connectionist）」，因为这种模型模拟了人脑的功能。神经网络模型通常是通过反向传播算法应用梯度下降训练的。目前神经网络有两大主要类型，它们都是前馈神经网络：卷积神经网络（CNN）和循环神经网络（RNN），其中 RNN 又包含长短期记忆（LSTM）、门控循环单元（GRU）等等。深度学习是一种主要应用于神经网络帮助其取得更好结果的技术。尽管神经网络主要用于监督学习，但也有一些为无监督学习设计的变体，比如自动编码器和生成对抗网络（GAN）。

来源：机器之心

优化器技术

优化器基类提供了计算梯度loss的方法，并可以将梯度应用于变量。优化器里包含了实现了经典的优化算法，如梯度下降和Adagrad。优化器是提供了一个可以使用各种优化算法的接口，可以让用户直接调用一些经典的优化算法，如梯度下降法等等。优化器（optimizers）类的基类。这个类定义了在训练模型的时候添加一个操作的API。用户基本上不会直接使用这个类，但是你会用到他的子类比如GradientDescentOptimizer, AdagradOptimizer, MomentumOptimizer（tensorflow下的优化器包）等等这些算法。

来源：维基百科

机器之心机构

机器之心，成立于2014年，是国内最具影响力、最专业、唯一用于国际品牌的人工智能信息服务与产业服务平台。目前机器之心已经建立起涵盖媒体、数据、活动、研究及咨询、线下物理空间于一体的业务体系，为各类人工智能从业者提供综合信息服务和产业服务。

https://www.jiqizhixin.com/