GShard: Scaling Giant Models with Conditional Computation and Automatic Sharding

URL

• paper: https://arxiv.org/pdf/2006.16668
• code: 没找到

TL;DR

• 谷歌提出了一种新的模型分布策略 GShard，通过 条件计算 和 自动分片 的方式，提高了模型的训练效率和推理速度，算是大模型 MOE 的开山之作。

Architecture

总体架构

• GShard 将传统 LLM 的 Transformer 层的 FFN 替换成 MOE 模块，每个 token 只激活固定数量的 expert，大幅降低了计算复杂度。
• GShard 的 MOE 模块分为 routing 和 expert 两部分
  • routing 负责选择激活的 expert
  • expert 负责计算 FFN 的输出。

详细计算流程

• 输入：$h \in \mathbb R^{seq\_len\times dim}$，表示 token 序列的输入特征，seq_len 表示序列长度，dim 表示特征维度
• 经过 self-attention + norm，这一步和传统 Transformer 模型一致，输出 $h' \in \mathbb R^{seq\_len\times dim}$
• 计算 routing:
  1. 计算每个 token 的 routing 分数，表示每一个 token 和每一个专家的相关程度，$s=h'\times W_g$，其中 $W_g \in \mathbb R^{dim\times num\_experts},\ s \in \mathbb R^{seq\_len\times num\_experts}$
  2. 每个 token 取固定数量的 expert，$k$ 表示激活的 expert 数量，$k$ 在本文中取 $2$，其它非激活的 expert 的 routing 分数设为 $-\infty$
  3. 将 routing 分数归一化变成概率，$g=Softmax(s)$，$g$ 表示 gate，表示每个 token 激活的 expert 的输出采纳程度
• 计算 expert:
  1. 计算当前 token 已激活的 expert 的输出，$h_{expert}=FFN(h'_{expert})$
  2. 将 expert 的输出按照 gate 加权求和，$h_{final}=\sum_{i=1}^{k}g_i\cdot h_{expert_i}$
• 本文中 MoE Transformer layer 和标准 Transformer layer 是交替出现的

Thoughts

• GShard 确实在不减小模型参数量的情况下，大幅减小计算复杂度，对于推理速度的提升有很大帮助，带动了一波 LLM-MoE 的发展。
• 其中 MoE 的部分并不新颖，重点在于 MoE 放置到 Transformer Block 中确实比较有创新。