16000亿！谷歌发布人类历史首个万亿级模型 Switch Transformer，中国还有机会赶超吗？...

新年伊始，大规模预训练模型军备竞赛进入万亿参数时代。

文：梦佳、周寅张皓、贾伟

近日，Google Brain的研究人员William Fedus、Barret Zoph、Noam Shazeer等在arxiv上提交了一篇新论文，“Switch Transformers: Scaling to Trillion Parameter Models with Simple and Efficient Sparsity”，提出了稀疏激活专家模型Switch Transformer。

链接：arxiv.org/abs/2101.03961

研究人员表示，这个1.6万亿参数模型似乎是迄今为止最大的模型，其速度是Google之前开发的最大语言模型（T5-XXL）的4倍，参数规模几乎是1750亿参数的GPT-3的十倍！

这应该是人类历史上发布的第一个万亿级人工智能模型。

研究人员在论文中指出，大规模训练是通向强大模型的有效途径，具有大量数据集和参数计数的简单架构可以远远超越复杂的算法，但目前有效的大规模训练主要使用稠密模型。

作为对比，William等人提出的 Switch Transformer 采用了“稀疏激活”技术。所谓稀疏，指的是对于不同的输入，只激活神经网络权重的子集。

根据作者介绍，Switch Transformer是在MoE的基础上发展而来的，而MoE则是90年代初首次提出的AI模型。MoE 将多个“专家”或专门从事不同任务的模型放在一个较大的模型中，并有一个“门控网络”来选择对于任何给定数据要咨询哪些/个“专家”。

尽管MoE取得了一些显著成功，但复杂性、通信成本和训练不稳定阻碍了其广泛采用。

Switch Transformer的新颖之处在于，它有效地利用了为稠密矩阵乘法（广泛用于语言模型的数学运算）而设计的硬件——例如GPU和Google TPU。研究人员为不同设备上的模型分配了唯一的权重，因此权重会随着设备的增多而增加，但每个设备上仅有一份内存管理和计算脚本。

Switch Transformer 在许多下游任务上有所提升。研究人员表示，它可以在使用相同计算资源的情况下使预训练速度提高7倍以上。他们证明，大型稀疏模型同样可以用于创建较小的、稠密的模型，通过微调，这些模型相对大型模型会有30％的质量提升。

论文一作William Fedus 也在twitter上表示，「我们的模型采样更加高效，相比于流行的模型，T5-Base，T5-Large、T5-XXL等能实现4到7倍的增速。」

在一项测试中，Switch Transformer模型以在100多种不同语言之间的翻译测试中，研究人员观察到“普遍改进”，与基准模型相比，91％的语言翻译有4倍以上的提速。

研究人员认为，在未来的工作中，Switch Transformer可以应用到其他模态或者跨模态的研究当中。模型稀疏性可以多模态模型中发挥出更大的优势。

模型框架

模型的设计原则是，在保持计算开销与效率的同时，尽可能的提升模型的参数量。该工作通过固定每个数据样本所进行的浮点数操作，对比不同参数量可能带来的影响。实际运行中，该方法通过split层将不同的参数分配到不同的设备上，在增加新的设备时，更多的参数会被引入，因此能够根据设备的属性分配参数数量，同时维持在各个设备上的存储开销和计算足迹。

1）简化稀疏通道

Mixture of Expert Routing：

Shazeer et al.(2017) 提出了一种混合专家轨迹的语言模型，能给输入匹配到最适合的k个“专家”模型。分配的参数W生成每个“专家”的结果所占的比重，进行线性加和，得到样本的输出结果。

Switch Routing: Rethinking Mixture-of-Experts：

作者在本文中提出的Switch Layer对上述MoE模型做出改进，MoE模型对每个输出需要参考至少2个以上的专家意见，而本文提出的Switch Routing方法，针对不同的输入，匹配最适合的一个专家。有如下优势：

1、通道计算量大大降低，因为每个样本仅仅需要一个“专家”通道参与计算；

2、每个“专家”通道所计算样本的batchsize被大大缩小(至少减半)；

3、每个专家通道的实现复杂度减小了，“专家”间的通信开销降低。

2）高效稀疏通道

模型采用了Mesh-Tensorflow(MTF)库实现，能够高效支持分布式的数据与模型结构，下面的部分将会重点介绍Switch-Transformer的实现。

Distributed Switch Implementation

虽然输入数据的张量大小是实现决定的，但因为分配通道的不同，以及训练和预测阶段的不同，计算过程是动态变化的，因此作者采用了expert capacity的设定，通过调整每个expert计算的token数量，来控制整体的计算。表达式如下：

当capacity factor大于1时，代表需要创建额外的缓存器来容纳没能在expert中得到较好分配的数据。当过多数据被交付给同一个expert时，计算过程则会被跳过，数据将直接通过残差连接交付给下一层。增大capacity也会带来缺点，比如内存和计算资源的浪费。

3）Putting all together

第一个测试时在Raffel et al. 2019年引入的“Colossal Clean Crawled Corpus”(C4)上进行。采用了masked language model task，令模型预测消失的tokens。测试中随机drop out百分之15的token并使用一个前缀token来替换mask序列。我们记录困惑度(Negative Log Perplexity)进行对比。

上表显示：

1、在速度-质量的指标上，Switch-Transformer超过了精密微调的稠密模型，与MoE Transformer。在有限的计算量与工作时间下，Switch Transformer都得到了最优的结果；

2、Switch Transformer有更小的计算足迹（computational footprint）；

3、在更小的capactiy factor下，Switch Transformer工作的效果更佳。

4）提升训练与微调的技术

稀疏专家模型相比普通Transformer更难训练，这是由于切换通道带来的不稳定引起的，同时，低精度计算会导致恶化softmax计算中的问题，下面列举训练中遇到的问题，以及本文解决的方法。

Selective Precision with Large Sparse Model：

在MoE的工作中，作者发现低精度训练存在的问题，并通过float32精度数据训练解决，但是此举会引入更高的通信开销，本文工作发现，在局部引入高精度的训练，而非全局采用，就可以达到理想的稳定性，测试效果如表2所示。

small Parameter Initialization for Stability：

参数初始化对模型训练十分关键，本文中采用了Transformer的初始化方案，但将其均值缩放了10倍，提升了模型的稳定性能，测试比较结果如下：

Regularizing Large Sparse Model：

本文中采用的方法是常规的预训练+微调方法，常见的问题是，由于下游任务的数据较少，在微调过程中容易发生过拟合现象，在以往的模型中已经非常常见，但是本文中的模型有着更大量的参数，因此会导致更加严重的过拟合现象。本文通过在微调过程中，增加在每个expert中的dropout比例来缓解过拟合。

性能对比：稀疏 vs 稠密

作者分别在预训练阶段和下游任务阶段分别对 Switch Transformer的特性进行了研究。

在预训练阶段，为避免数据瓶颈问题，他们选用了具有超过180B个目标token的大型C4语料库。

下图展示了专家数量（模型参数）带来的一致性规模优势，其中所有模型的训练步数是固定的。

左图：随着模型参数增加（专家数量增加），性能的提升。从左上角到右下角，专家数量分别为2、4、8……、256（14.7B个参数）。

右图：专家数量的每步负对数复杂度。紫色基线为稠密基线（T5-Base），Switch-Base模型的采样效率会比较高。

如果训练时间确定，计算资源也确定，那么到底是训练一个稠密模型（Dense Model）好，还是训练一个稀疏模型（sparse model）好？下面两张图回答了这个问题：

由图可见，在相同负对数复杂度的情况下，Switch-Base的模型（稀疏模型）相比T5-Base模型（稠密模型）要有近七倍的提速。

使用Switch层或标准稠密模型的Scaling Transformer模型。左图：Switch-Base与T5-Base和T5-Large变体相比，具有更高的采样效率。右图：在相同负对数复杂度情况下，Switch-Base相比T5-Large的速度提高了2.5倍。

在下游任务上，作者认为预训练的收益可以转化为下游任务上语言学习能力的提高。

作者选用了四种模型，分别为T5-Base、T5-Large、Switch-Base、Switch-Large，其参数和FLOPS分别如下：

在各种知识密集型语言任务上，我们可以观察到Switch Transformer都有显著地提升：

当然，部署一个具有数十亿或数万亿参数的大规模神经网络是极为不便的。为了缓解这种情况，作者也研究了如何将大型稀疏模型蒸馏为小型稠密模型的方法。

在上表中可以看到，通过蒸馏，在仅保留1.1B参数的情况下（压缩了82%），依然可以获得37%的性能增益；极端情况下，将模型压缩99%，也能够获得28%的性能改善。

作者尝试在101种语言上进行多语言预训练，从下图可以看出，Switch Transformer在所有语言上全面超越T5-Base模型。

未来研究可能性

作者在论文中，提出六大问题以及六个未来可能的研究方向。

1）六大问题

问：纯粹的大参数是否会让 Switch Transformer更好？

答：是的！大型模型已被证明具有更好的性能。在这种情况下，Switch Transformer模型可以在使用相同计算资源的同时，采样效率更高，速度更快。

问：没有大算力，这么大的模型对我有用吗？

答：这种技术在小规模环境中同样有用，仅有两个专家的模型就可以提高性能。

问：如果在速度-精度曲线上，稀疏模型会优于稠密模型吗？

答：是的。在各种不同大小的模型尺度下，稀疏模型的速度和精度均优于稠密模型。

问：我无法部署一个万亿参数级别的模型，可以缩小一下吗？

答：正如前面提到了蒸馏一样，可以。但无法完全保证模型的质量，但是通过将稀疏模型蒸馏为稠密模型，可以达到10倍，甚至100倍的压缩率，而同时专家模型依然可以获得将近30%的性能增益。

问：使用Switch Transformer替代model-parallel的稠密模型，真的有必要吗？

答：从时间角度看，Switch Transformer要比具有同样级别参数的稠密模型要更高效。当然两者并非互斥，在Switch Transformer 中使用模型并行，有时候会导致传统模型并行性变慢。

问：既然稀疏模型这么好，为什么到现在稀疏模型还没有被广泛使用呢？

答：尝试使用稀疏模型的动机，被可扩展稠密模型的成功给掩盖了；而且稀疏模型也受到模型复杂性、训练困难、通信成本等问题的困扰。Switch Transformer在缓解这些问题方面取得了比较大的进步。

2）六大可能方向

面对未来更大规模的模型，训练的稳定性是一个重大挑战。作者提到目前的技术对于Switch-Base、Switch-Large和Switch-C模型还没有观察到不稳定现象，但对于更大的模型或许会不够，所以他们提出了使用正则化函数、适度的梯度裁剪等方法作为预备。
训练中存在一些异常现象。一般来说预训练越好，下游任务的效果也就越好，但在一些任务上发现，1.6T参数的Switch-C会比较小模型的结果更低。
Switch-Transformer可以用来研究规模关系，从而来指导融合数据、模型、专家并行的体系结构设计。
这一工作属于自适应计算算法系列，目前使用的是相同的同类专家，但未来可以设计支持异构专家。
调查FFN层之外的专家层，初步的证据表明，这同样可以改善模型质量。
在目前的工作中，主要考虑了语言任务，未来或许可以将模型稀疏性类似地应用到其他模态（例如图像）或多模态中。