Dulmar
SwiGLU waa hawl firfircooni dabin ah oo ku dhufata hal saadaasha toosan ee gelinta iyadoo la raacayo saadaasha Swish-firfircoon ee labaad, una dhaqanta sidii mid la baran karo, irid xog ku tiirsan oo gudaha lakabyada gudbinta beddelka ah. Waxay si joogto ah u wanaajisaa tayada nooca luqadda, taas oo ah sababta ku dhawaad kasta oo casri ah LLM u isticmaalo.
SwiGLU iyo Gated Activations waa dhisme farsamo oo saameeya tayada moodeelka, kharashka kaabayaasha, daahitaanka, iyo isku halaynta cabbirka.
quusitaanka qoto dheer
Bloog-horumar-is-beddelka caadiga ah waa laba lakab oo toosan oo leh ReLU ama GELU inta u dhaxaysa. Unugyada toosan ee Gated, waxaa soo jeediyay Dauphin et al. sanadka 2016, u kala qaybi saadaasha kowaad laba qaybood oo isticmaal badh si aad kan kale uga soo gasho iyada oo la adeegsanayo isku dhufashada element-wise. SwiGLU, oo uu caanka ku yahay Noam Shazeer sanadka 2020, ayaa u adeegsata shaqada Swish (SiLU) albaabkaas: wax soo saarka = (Swish(xW) * (xV)) W2, oo leh saddex mitir oo miisaan halkii laba. Gating-ku wuxuu u ogolaanayaa shabakadu inay si xushmad leh u gudbiso ama u cabudhiso xogta dhinac kasta. Sababtoo ah ku daridda shaxanka saddexaad waxay koraan cabbirrada, fulinta waxay hoos u dhigtaa cabbirka qarsoon ilaa qiyaastii saddex-meelood laba meel sidaas darteed wadarta xisaabinta waxay u dhigantaa GELU MLP. Tijaabooyinkii Shazeer waxay muujiyeen faa'iidooyin jahawareer la qiyaasi karo, LLAMA, PaLM, iyo Mistral dhamaantood way qaateen.
Aragtida Farsamada
Swish waa x * sigmoid(beta*x), siman, shaqo aan monotonic ahayn, taas oo ka duwan ReLU, u ogolaata qiyam yar oo taban. Gudaha SwiGLU laanta 'albaabka' Swish(xW) waxay soo saartaa qiyam ku dhow 0 ama 1 taaso ku dhufata laanta 'qiimaha' xV element-wise, sidaa darteed qayb kasta oo dahsoon wax ku biirinta waxaa habeeya calaamad la bartay, ku-tiirsanaan. Matrixka miisaanka saddexaad waa kharashka; saddex-meelood laba-meelood laba khiyaamo cabbir-qarsoon ayaa ku ilaalinaysa miisaaniyadda FLOP inay la mid noqoto lakabka hore ee quudinta vanilj.
Mastering SwiGLU iyo Dhaqdhaqaaqyada Gated
SwiGLU waa hawl firfircooni dabin ah oo ku dhufata hal saadaasha toosan ee gelinta iyadoo la raacayo saadaasha Swish-firfircoon ee labaad, una dhaqanta sidii mid la baran karo, irid xog ku tiirsan oo gudaha lakabyada gudbinta beddelka ah. Waxay si joogto ah u wanaajisaa tayada nooca luqadda, taas oo ah sababta ku dhawaad kasta oo casri ah LLM u isticmaalo. SwiGLU iyo Gated Activations waa dhisme farsamo oo saameeya tayada moodeelka, kharashka kaabayaasha, daahitaanka, iyo isku halaynta cabbirka. Si loo dhiso faham qoto dheer, ula dhaqan SwiGLU iyo Gated Activations sidii qaab hawleed, ma aha hal sifo: qeex natiijooyinka la rabo, cadee fikradaha, oo kala saar waxa nidaamku si kalsooni leh u qaban karo iyo waxa wali u baahan go'aan khabiir.
Ficil ahaan, kooxaha xoogga leh ee isticmaalaya SwiGLU iyo Gated Activations waxay wanaajiyaan qaab dhismeedka, xogta, iyo doorashooyinka kaabayaasha lidka ku ah isku halaynta iyo qiimaha. Waxay diiwaangeliyaan shuruudaha guusha ee cad, tijaabiyaan xogta dhabta ah iyo qulqulka shaqada, waxayna ku celceliyaan ku saleysan qaababka guul darrida ee la arkay halkii ay hal mar ku guuleysan lahaayeen halbeegyada. Tani waa halka fahamka aragtida uu isu beddelo karti waara oo dhan badeecada, siyaasadda, iyo hawlgallada.
Go'aamada qaab-dhismeedku waxay horseedaan waxqabadka iyo kharashka hawlgalka sannadaha. Isla mar ahaantaana, hagaajinta hal bartilmaameed waxay qarin kartaa daciifnimada nidaamka ballaaran. Habka ugu adkeysi badan waa in la isku daro xawaaraha tijaabada iyo anshaxa maamulka: socodsiinta duuliyayaasha, qabashada caddaynta, daabacaadda go'aanka, iyo si joogto ah u cusboonaysii ilaalinta sida habdhaqanka moodeelka, filashada isticmaale, iyo shuruudaha sharciyaynta.
Saamaynta Istiraatijiyadeed
Go'aamada qaab-dhismeedku waxay horseedaan waxqabadka iyo kharashka hawlgalka sannadaha.
Go'aamada qaab-dhismeedku waxay horseedaan waxqabadka iyo kharashka hawlgalka sannadaha. Hawlgelinta tayada sare leh, tan waxaa loo tarjumaa shuruuc hawleed la cabbiri karo, xuduudaha lahaanshaha, iyo caadooyinka dib u eegista soo noqnoqda si kooxuhu ay u cabbiraan kalsoonida halkii ay ka saari lahaayeen madmadowga.
Waxbarashada farsamada waxay ka caawisaa kooxaha inay doortaan xidhmo sax ah, ma aha oo kaliya kan ugu cusub.
Waxbarashada farsamada waxay ka caawisaa kooxaha inay doortaan xidhmo sax ah, ma aha oo kaliya kan ugu cusub. Hawlgelinta tayada sare leh, tan waxaa loo tarjumaa shuruuc hawleed la cabbiri karo, xuduudaha lahaanshaha, iyo caadooyinka dib u eegista soo noqnoqda si kooxuhu ay u cabbiraan kalsoonida halkii ay ka saari lahaayeen madmadowga.
Doorashooyinka injineernimada ee wanaagsan waxay yareeyaan shilalka la isku halleyn karo ee wax soo saarka.
Doorashooyinka injineernimada ee wanaagsan waxay yareeyaan shilalka la isku halleyn karo ee wax soo saarka. Hawlgelinta tayada sare leh, tan waxaa loo tarjumaa shuruuc hawleed la cabbiri karo, xuduudaha lahaanshaha, iyo caadooyinka dib u eegista soo noqnoqda si kooxuhu ay u cabbiraan kalsoonida halkii ay ka saari lahaayeen madmadowga.
Dhaqangelinta Adduunka-dhabta ah
LLAMA, PaLM, iyo Mistral waxay ku beddelaan lakabka hore ee quudinta GELU ee SwiGLU si ay hoos ugu dhigaan jaahwareerka isla xisaabtan
Cabbirka dahsoon ayaa la miisaamay ilaa saddex meelood laba meel (8/3 d) markaa matrixka dheeriga ah ma buufiyo FLOPs
Moodooyinka isku dhafka ah ee khubarada ah sida Mixtral waxay isticmaalaan SwiGLU blocks sida shabakadda quudinta khabiirka
Aragtida iyo transformers multimodal waxay amaahdaan GeGLU/SwiGLU gating si ay u horumariyaan qaybiyayaalkooda MLP
Hababka Dhaqangelinta
SwiGLU iyo Dhaqdhaqaaqyada Gateed ee ficil ahaan
LLAMA, PaLM, iyo Mistral waxay ku beddelaan lakabka hore ee quudinta GELU SwiGLU si ay hoos ugu dhigaan jaahwareerka isla xisaabtan.
LLAMA, PaLM, iyo Mistral waxay ku beddelaan lakabka quudinta GELU ee SwiGLU si ay hoos ugu dhigaan jahwareerka isla xisaabtan Kooxuhu waxay badanaa helaan natiijooyin ka wanaagsan marka ay qeexaan heerarka tayada ee hore, u hayaan dariiqa kor u qaadista bini'aadamka ee kiisaska cirifka ah, oo la socdaan labadaba faa'iidooyinka wax soo saarka iyo kharashyada qaladka waqti ka dib.
SwiGLU iyo Dhaqdhaqaaqyada Gateed ee ficil ahaan
Cabbirka dahsoon ayaa la miisaamay ilaa saddex meelood laba meel (8/3 d) markaa matrixka dheeriga ah ee gating ma buufiyo FLOPs.
Cabbirka dahsoon waxaa lagu qiyaasaa saddex-meelood labo (8/3 d) sidaa daraadeed matrixka dheeriga ah ee gating-ku ma buufiyo FLOPs Kooxuhu waxay badanaa helaan natiijooyin ka wanaagsan marka ay qeexaan heerarka tayada ee hore, u hayaan dariiqa kor u qaadida bini'aadamka ee kiisaska cirifka ah, oo la socdaan labadaba faa'iidooyinka wax soo saarka iyo kharashyada khaladka waqti ka dib.
SwiGLU iyo Dhaqdhaqaaqyada Gateed ee ficil ahaan
Moodooyinka isku-dhafka ah ee khubarada ah sida Mixtral waxay isticmaalaan SwiGLU blocks sida shabakadda quudinta khabiirka.
Moodooyinka isku-dhafka ah ee khubarada ah sida Mixtral waxay isticmaalaan SwiGLU blocks sida khabiirka khabiirka ah ee wax-soo-saarka kooxuhu inta badan waxay helayaan natiijooyin wanaagsan marka ay qeexaan heerarka tayada ee hore, u hayaan dariiqa kor u kaca bini'aadamka ee kiisaska cirifka ah, oo la socdaan labadaba faa'iidooyinka wax soo saarka iyo kharashyada qaladka waqti ka dib.
SwiGLU iyo Dhaqdhaqaaqyada Gateed ee ficil ahaan
Aragtida iyo transformers multimodal waxay amaahdaan GeGLU/SwiGLU gating si ay u horumariyaan qaybiyayaalkooda MLP.
Aragtida iyo transformers multimodal waxay amaahdaan GeGLU/SwiGLU gating si ay u horumariyaan MLP-hoosaadayaashooda kooxuhu inta badan waxay helayaan natiijooyin ka wanaagsan marka ay qeexaan heerarka tayada ee hore, waxay hayaan dariiqa kor u qaadida bini'aadamka ee kiisaska cirifka ah, waxayna la socdaan labadaba faa'iidooyinka wax soo saarka iyo kharashyada qaladka waqti ka dib.
Khatarta & Dariiqyada Ilaalada
Hagaajinta hal bartilmaameed waxay qarin kartaa daciifnimada nidaamka ballaaran.
Kaabayaasha dhaqaalaha iyo dayactirka inta badan waa la dhayalsadaa.
Nabadgelyada iyo daldaloolada u fiirsashada ayaa kori kara marka nidaamyadu noqdaan kuwo aad u adag.
Qorshe Hawleedka Dhaqangelinta
Qeex daahida, tayada, iyo bartilmaameedyada qiimaha ka hor inta aan la hirgelin.
Qeex daahida, tayada, iyo bartilmaameedyada qiimaha ka hor inta aan la hirgelin. Tallaabo kasta ula dhaqan sida albaabka caddaynta: haddii shuruudaha la buuxin waayo, hakad soo bixidda, xidh farqiga, ka dibna balaadhi isticmaalka.
Benchmark marka la eego culeyska dhabta ah iyo xaaladaha xogta.
Benchmark marka la eego culeyska dhabta ah iyo xaaladaha xogta. Tallaabo kasta ula dhaqan sida albaabka caddaynta: haddii shuruudaha la buuxin waayo, hakad soo bixidda, xidh farqiga, ka dibna balaadhi isticmaalka.
La socodka qalabka khaladaadka, leexashada, iyo saamaynta isticmaalaha.
La socodka qalabka khaladaadka, leexashada, iyo saamaynta isticmaalaha. Tallaabo kasta ula dhaqan sida albaabka caddaynta: haddii shuruudaha la buuxin waayo, hakad soo bixidda, xidh farqiga, ka dibna balaadhi isticmaalka.
U diyaari dib-u-noqoshada iyo dariiqyada jawaab-celinta dhacdada ka hor inta aanad miisaan.
U diyaari dib-u-noqoshada iyo dariiqyada jawaab-celinta dhacdada ka hor inta aanad miisaan. Tallaabo kasta ula dhaqan sida albaabka caddaynta: haddii shuruudaha la buuxin waayo, hakad soo bixidda, xidh farqiga, ka dibna balaadhi isticmaalka.