Kích hoạt SwiGLU và Gated
SwiGLU là một hàm kích hoạt có kiểm soát, nhân một phép chiếu tuyến tính của đầu vào với một phép chiếu thứ hai do Swish kích hoạt, hoạt động như một cổng phụ thuộc vào dữ liệu, có thể học được bên trong các lớp chuyển tiếp nguồn biến áp.
Tổng quan
It consistently improves language-model quality, which is why nearly every modern LLM uses it.
Lặn sâu
Khối chuyển tiếp máy biến áp tiêu chuẩn là hai lớp tuyến tính có ReLU hoặc GELU ở giữa. Đơn vị tuyến tính có kiểm soát, được đề xuất bởi Dauphin et al. vào năm 2016, hãy chia phép chiếu đầu tiên thành hai nửa và sử dụng một nửa để chuyển nửa còn lại thông qua phép nhân theo phần tử. SwiGLU, được Noam Shazeer phổ biến vào năm 2020, sử dụng hàm Swish (SiLU) cho cổng đó: đầu ra = (Swish(xW) * (xV)) W2, với ba ma trận trọng số thay vì hai. Việc kiểm soát cho phép mạng truyền hoặc chặn thông tin có chọn lọc trên mỗi chiều. Bởi vì việc thêm ma trận thứ ba sẽ làm tăng các tham số nên việc triển khai sẽ thu nhỏ kích thước ẩn xuống khoảng 2/3 để tổng số điện toán vẫn tương đương với GELU MLP. Các thử nghiệm của Shazeer cho thấy mức độ phức tạp có thể đo lường được và LLaMA, PaLM và Mistral đều áp dụng nó.
Hiểu biết kỹ thuật
Swish là x * sigmoid(beta*x), một hàm mượt mà, không đơn điệu, không giống như ReLU, cho phép các giá trị âm nhỏ đi qua. Trong SwiGLU, nhánh 'cổng' Swish(xW) tạo ra các giá trị gần 0 hoặc 1 nhân với phần tử xV của nhánh 'giá trị', do đó, đóng góp của mỗi đơn vị ẩn được điều chỉnh bằng tín hiệu phụ thuộc vào đầu vào đã học. Ma trận trọng số thứ ba là chi phí; thủ thuật kích thước ẩn 2/3 giữ cho ngân sách FLOP phù hợp với lớp chuyển tiếp nguồn cấp dữ liệu thông thường.
Tác động chiến lược
Chi phí và ngân sách
Các quyết định về kiến trúc sẽ thúc đẩy hiệu suất và chi phí vận hành trong nhiều năm.
Quyết định rõ ràng hơn
Giáo dục kỹ thuật giúp các nhóm chọn nhóm phù hợp chứ không chỉ nhóm mới nhất.
Kiểm soát chất lượng
Lựa chọn kỹ thuật tốt hơn làm giảm sự cố về độ tin cậy trong sản xuất.
Tương lai của SwiGLU và Kích hoạt cổng
SwiGLU được coi là MLP mặc định trong LLM trọng lượng mở và khó có thể sớm bị thay thế. Các hướng hoạt động bao gồm các biến thể GeGLU và ReGLU, các nhân GPU hợp nhất tính toán cả hai phép chiếu trong một lần và kết hợp các MLP có kiểm soát với hỗn hợp các chuyên gia để mỗi chuyên gia tự nó là một khối SwiGLU. Các nhà nghiên cứu cũng đang nghiên cứu lý do tại sao việc định cổng lại giúp tối ưu hóa, nhằm mục đích thiết kế các cổng thậm chí còn rẻ hơn.
Triển khai trong thế giới thực
LLaMA, PaLM và Mistral thay thế lớp chuyển tiếp nguồn cấp GELU bằng SwiGLU để giảm độ phức tạp ở mức tính toán tương đương
Kích thước ẩn được chia tỷ lệ thành khoảng hai phần ba (8/3 d) nên ma trận cổng bổ sung không làm tăng FLOP
Các mô hình hỗn hợp các chuyên gia như Mixtral sử dụng các khối SwiGLU làm mạng chuyển tiếp nguồn cấp dữ liệu cho mỗi chuyên gia
Máy biến áp tầm nhìn và đa phương thức mượn cổng GeGLU/SwiGLU để cải thiện lớp con MLP của chúng
Rủi ro & lan can
Tối ưu hóa một điểm chuẩn có thể che giấu những điểm yếu của hệ thống rộng hơn.
Chi phí cơ sở hạ tầng và bảo trì thường được đánh giá thấp.
Khoảng cách về bảo mật và khả năng quan sát có thể tăng lên khi hệ thống trở nên phức tạp hơn.
Lộ trình thực hiện
Xác định các mục tiêu về độ trễ, chất lượng và chi phí trước khi triển khai.
Điểm chuẩn trong điều kiện tải và dữ liệu thực tế.
Giám sát thiết bị về lỗi, độ lệch và tác động của người dùng.
Chuẩn bị đường dẫn khôi phục và ứng phó sự cố trước khi mở rộng quy mô.
Tiếp tục khám phá
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the SwiGLU and Gated Activations quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Hướng dẫn tiếp theo
Sự đánh đổi tính toán lại kích hoạt
Câu hỏi thường gặp
What is SwiGLU and Gated Activations?
SwiGLU là một hàm kích hoạt có kiểm soát, nhân một phép chiếu tuyến tính của đầu vào với một phép chiếu thứ hai do Swish kích hoạt, hoạt động như một cổng phụ thuộc vào dữ liệu, có thể học được bên trong các lớp chuyển tiếp nguồn biến áp. Nó liên tục cải thiện chất lượng mô hình ngôn ngữ, đó là lý do tại sao gần như mọi LLM hiện đại đều sử dụng nó.
Hoạt động cốt lõi nào xác định Đơn vị tuyến tính có cổng?
GLU nhân phép chiếu giá trị với phần tử chiếu cổng một cách khôn ngoan, cho phép mạng kiểm soát luồng thông tin theo từng chiều.
SwiGLU sử dụng chức năng kích hoạt nào cho nhánh cổng của nó?
SwiGLU sử dụng Swish, còn được gọi là SiLU, được định nghĩa là x * sigmoid(beta*x), cho nhánh cổng.
Khối chuyển tiếp nguồn cấp dữ liệu SwiGLU sử dụng bao nhiêu ma trận trọng số?
SwiGLU cần ba ma trận: phép chiếu cổng, phép chiếu giá trị và phép chiếu đầu ra.
Tại sao kích thước ẩn thường được chia tỷ lệ thành khoảng 2/3 trong các lớp SwiGLU?
Nếu không, ma trận thứ ba sẽ tăng cường tính toán, do đó, việc thu nhỏ kích thước ẩn xuống khoảng 8/3 d sẽ giúp ngân sách phù hợp.
Ai đã phổ biến SwiGLU cho các lớp chuyển tiếp nguồn biến áp vào năm 2020?
Ghi chú năm 2020 của Noam Shazeer 'Các biến thể GLU cải tiến Máy biến áp' đã giới thiệu SwiGLU và cho thấy những lợi ích phức tạp của nó.