0
| 本文作者： 貝爽 | 2021-01-13 22:59 |
眾所周知，參數(shù)量是機器學習算法的關(guān)鍵。在大規(guī)模參數(shù)量和數(shù)據(jù)集的支持下，簡單的體系結(jié)構(gòu)將遠遠超過復雜的算法。
在自然語言領(lǐng)域，被稱為史上最強NLP的GPT-3擁有1750億參數(shù)。近日，Google將這一參數(shù)量直接拉高到了1.6萬億。
1月11日，Google在arXiv上發(fā)表論文《Switch Transformers: Scaling to Trillion Parameter Models with Simple and Efficient Sparsity》，提出了最新語言模型—Switch Transformer。
研究員介紹稱，Switch Transformer擁有1.6萬億參數(shù)，是迄今為止規(guī)模最大的NLP模型。
論文中指出，Switch Transformer使用了稀疏激活（Sparsely Activated）技術(shù)，該技術(shù)只使用了神經(jīng)網(wǎng)絡權(quán)重的子集，或者是轉(zhuǎn)換模型內(nèi)輸入數(shù)據(jù)的參數(shù)。在相同計算資源下，其訓練速度上比Google之前研發(fā)的最大模型T5-XXL還要快4倍。
Switch Transformer由混合專家（Mix of Expert，MoE）AI模型范式發(fā)展而來。MoE模型是指將多個專家或?qū)ｉT從事不同任務的模型放在一個較大的模型中，并有一個“門控網(wǎng)絡（Gating Network）”來選擇為任何給定數(shù)據(jù)要咨詢哪些專家。
自90年代初首次被提出以來，MoE模型通在機器翻譯方面取得了顯著成果。但因復雜性高、通信成本高和訓練不穩(wěn)定，導致其廣泛應用受到阻礙。
為了解決這些問題，研究人員簡化了MoE路由算法，設計了直觀的改進模型，使通信成本和計算成本大幅度降低。同時，他們提出的訓練技術(shù)消除了訓練的不穩(wěn)定性，并證明了大型稀疏模型也可能以低精度（bfloat16）格式進行訓練。
此外，與T5-Base和T5-Large模型相比，新模型在相同計算資源下將預訓練速度提高了7倍之多。這些改進擴展到了多語言設置中，可以測量101種語言在mT5-Base版本上的收益。
最后，通過在“Colossal Clean Crawled Corpus”上預先訓練多達數(shù)萬億個參數(shù)模型來提高當前語言模型的規(guī)模，使速度比T5-XXL模型提高了4倍。
研究者還表示，Switch Transformer 架構(gòu)不僅在具備超級計算機的環(huán)境下具有優(yōu)勢，在只有幾個計算核心的計算機上也是有效的。此外，研究者設計的大型稀疏模型可以被蒸餾為一個小而稠密的版本，同時還能保留稀疏模型質(zhì)量提升的 30%。
Switch Transformer的設計原則是以一種簡單且高效計算的方式來最大化Transformer模型的參數(shù)數(shù)量。
基于此，模型需要在增加參數(shù)量同時保持每個示例的浮點運算（FLOPs）不變。研究人員假設，參數(shù)量與執(zhí)行的總計算量無關(guān)，是可以單獨縮放的重要組件，那么它可以通過設計稀疏激活模型來實現(xiàn)。
研究人員有效地利用了為密集矩陣乘法（Dense Matrix Multiplications,一種廣泛用于語言模型的數(shù)學運算）而設計的硬件，如GPU、Google的張量處理單元TPU。在分布式訓練設置中，模型將不同的權(quán)重分配到不同的設備上，可以保證權(quán)重隨著設備數(shù)量的增加而增加，同時保證每個設備上均有可管理的內(nèi)存和計算足跡。
Switch Transformer編碼器模塊圖示
如圖，研究人員將Transformer的密集前饋網(wǎng)絡（FFN）層替換為稀疏Switch FFN層（淺藍色）。該層對序列中的令牌進行獨立操作。他們兩個標記令牌（X1=More 和 X2=Parameters ）在四個FFN專家之間進行匹配（實線），其中路由器獨立地傳輸每個令牌。Switch FFN層返回輸出的FFN并乘以路由器門值（虛線）
研究人員提出了Switch Routing簡化策略：針對不同的輸入，匹配最適合的一個專家。實驗證明，這種簡化可以保留模型質(zhì)量，減少路由計算并提高性能。具體優(yōu)勢如下：
1、通道計算量大大降低，因每個樣本僅需要一個專家通道參與計算。
2、每個專家通道所計算樣本的batchsize被大大縮小(至少減半)。
3、每個專家通道的實現(xiàn)復雜度減小了，專家間的通信開銷降低。
研究人員使用Mesh-Tensorflow（MTF）庫—與Tensorflow 類似的語義和API ，能夠能夠高效支持分布式的數(shù)據(jù)與模型結(jié)構(gòu)。它將物理內(nèi)核集抽象為處理器的邏輯網(wǎng)格。然后利用張量和計算按指定的維度進行切分，便于跨維度輕松劃分模型。
第一個測試是在“Colossal Clean Crawled Corpus”數(shù)據(jù)集上進行的。該數(shù)據(jù)集也被成為C4，含750GB的文本語料，全部來自于Reddit、Wikipedia和其他網(wǎng)絡資源中。研究人員使用了32個TPU核在C4數(shù)據(jù)集上預先訓練了幾種不同的Switch Transformer模型。
模型的任務是預測段落中15%被遮住的單詞，以及通過檢索文本回答一些有難度的問題。
從以上對比結(jié)果中，可以發(fā)現(xiàn)：
1、在速度-質(zhì)量的指標上，Switch-Transformer超過了精密微調(diào)的稠密模型，與MoE Transformer。在有限的計算量與工作時間下，Switch Transformer都得到了最優(yōu)的結(jié)果。
2、Switch Transformer有更小的計算足跡（computational footprint）。
3、在更小的capactiy factor下，Switch Transformer工作的效果更佳。
稀疏專家模型相比普通Transformer更難訓練，這是由于切換通道帶來的不穩(wěn)定引起的，同時，低精度計算會導致惡化softmax計算中的問題。
研究人員通過在局部引入高精度的訓練，而非全局的方法，達到了理想的穩(wěn)定性，測試效果如圖：
同時作為不穩(wěn)定性的另一種補救措施，研究人員減小了默認的Transformer初始化比例，將 S=1.0降低了10倍。這既提高了質(zhì)量，又降低了不穩(wěn)定訓練的可能性。如圖：
“預訓練+微調(diào)”的NLP方法，在處理下游任務時容易發(fā)生過擬合現(xiàn)象。對此，研究人員提出了“expert dropout”的解決方案——通過在微調(diào)過程中，增加在每個expert中的dropout比例來緩解過擬合。
我們觀察到，簡單地增加所有層的dropout率會導致性能下降。但是，在非專家層設置較小的dropout率（0.1）和在專家層設置較大的dropout率（0.4），可以提高四個較小下游任務的性能。
論文中，研究人員對預訓練階段 Switch Transformer的預訓練可擴展性進行了研究。為了避免數(shù)據(jù)受限，他們采用了大型 C4 數(shù)據(jù)庫，并以固定的計算成本測試了基于步數(shù)和時間的可伸縮性。
下圖為多個模型在訓練步數(shù)恒定、專家數(shù)量增加時表現(xiàn)出的可擴展性提升情況?？梢钥吹剑涸诒３置總€ token 的 FLOPS 不變時，擁有更多的參數(shù)（專家）可以提高訓練速度。
此外還可以發(fā)現(xiàn)，專家數(shù)量的增加會導致更有效的樣本模型。Switch-Base 64專家模型在60k和450k步態(tài)達到了與T5-Base模型相同的性能，這是7.5倍的加速。
從基于步數(shù)的設置中，可以觀察到：樣本效率提升未必能轉(zhuǎn)化為時間上的模型質(zhì)量提升。那么，在訓練時間和計算成本都固定的前提下，是應該訓練一個稠密模型還是稀疏模型？下圖解決了這個問題。
圖中展示了預訓練模型質(zhì)量隨訓練時間增加所產(chǎn)生的變化。在訓練時間和計算成本都固定的情況下，Switch Transformer 的速度優(yōu)勢非常明顯。在這種設置下，如果要達到相似的困惑度，Switch-Base 64 專家模型的訓練時間僅為 T5-Base 模型的 1/7。
針對 T5-Base 和 T5-Large 模型，研究人員設計了具備更多參數(shù)的 FLOP-matched Switch Transformer。在 SuperGLUE基準上， FLOP-matched Switch Transformer 相比 T5-Base 和 T5-Large 的性能分別提升了 4.4% 和 2%。同時，該模型在多項推理和知識任務中也帶來了顯著提升。
這說明該模型架構(gòu)不只對預訓練有用，還可以通過微調(diào)將質(zhì)量改進遷移至下游任務中。
為了解決超大規(guī)模神經(jīng)網(wǎng)絡的部署問題，研究人員提出了多種蒸餾技術(shù)：將大型稀疏模型蒸餾到小型密集模型中。
使用表 7 中最優(yōu)的蒸餾技術(shù)，可以將具備 11 億參數(shù)量的模型壓縮 82%，同時保留 37% 的性能提升。最極端的情況下，將模型壓縮了 99%，且維持了 28% 的性能提升。
在最后一組下游實驗中，研究人員利用模型對101種不同語言的混合進行了預訓練。
如圖展示了 Switch T5 Base 模型與 mT5-Base 在所有語言上的質(zhì)量提升情況（負對數(shù)困惑度）。對兩個模型經(jīng)過 100 萬步預訓練后，Switch Transformer 的最終負對數(shù)困惑度相較基線有所提升。
此外，透過mT5-Base使用Switch Transformer模型的加速直方圖，可以發(fā)現(xiàn)，mT5-Base的平均速度提高了5倍，同時，91％的語言速度至少提升了4倍。這表明Switch Transformer能夠有效的多任務和多語言。
研究人員表示，Switch Transformer模型是具有可擴展性的高效自然語言處理模型，它通過簡化MoE，形成了快速理解、訓練穩(wěn)定且比同等大小模型更有效的樣本體系結(jié)構(gòu)。實驗證明，這些模型在不同的語言任務和訓練模式中都表現(xiàn)了出色的性能，包括預訓練、微調(diào)和多任務訓練。同時，這些結(jié)果也讓訓練具有上千億、上萬億參數(shù)量的模型成為可能。
最后研究人員指出，雖然Switch Transformer改進了訓練程序，并對稀疏模型進行了擴展的研究。但未來在此方向還有許多未完成的工作，如
進一步提高大型模型訓練的穩(wěn)定性。目前正在進行的方法有：正則化函數(shù)、適度的梯度裁剪等。
一般來說預訓練越好，下游任務的效果也就越好，但在一些任務上發(fā)現(xiàn)，1.6T參數(shù)的Switch-C會比較小模型的結(jié)果更低。
目前方法使用的同類專家，未來可嘗試通過更靈活的基礎(chǔ)結(jié)構(gòu)支持異構(gòu)專家。
調(diào)查FFN層之外的專家層，初步的證據(jù)表明，這同樣可以改善模型質(zhì)量。
目前的工作僅考慮了語言任務，未來可嘗試將模型稀疏性類似地應用到其他模態(tài)（例如圖像）或多模態(tài)中。
引用鏈接：
https://arxiv.org/pdf/2101.03961.pdf
https://venturebeat.com/2021/01/12/google-trained-a-trillion-parameter-ai-language-model/
https://arxiv.org/search/cs?searchtype=author&query=Fedus%2C+W
雷鋒網(wǎng)雷鋒網(wǎng)雷鋒網(wǎng)
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
