趋近智
专家混合：高级架构、训练与扩展
章节 1: 稀疏专家模型基本原理
条件计算原理
稀疏专家混合模型（MoE）方法
对比密集激活与稀疏激活
基本MoE层的数学表述
章节 2: 进阶 MoE 架构
设计有效的门控网络
分层MoE结构
路由架构：线性、非线性、基于注意力
专家容量与规模考量
路由器稳定化技术
动手实践：实现自定义门控机制
章节 3: 训练动态与优化
MoE 中的负载均衡问题
辅助损失函数用于负载均衡
路由优化策略
处理丢弃令牌
专家特化退化及预防
优化器选择与超参数的影响
实践操作：实现和调整负载均衡损失
章节 4: 扩展 MoE 模型：分布式训练
分布式MoE训练中的难点
专家并行：在不同设备上分配专家
专家并行与数据并行的结合
All-to-All 通信模式
MoE 模型的流水线并行
通信优化方法（例如，重叠）
用于分布式MoE的框架和库 (例如：DeepSpeed, Tutel)
实践：配置分布式MoE训练
章节 5: 推理优化与部署
稀疏模型的推理难题
MoE推理的批处理策略
MoE 模型压缩方法
硬件加速的考量
路由器缓存与优化
大型稀疏模型的部署模式
动手实践：MoE 推理性能分析
优化器选择与超参数的影响
这部分内容有帮助吗？
- Decoupled Weight Decay Regularization, Ilya Loshchilov, Frank Hutter, 2019 International Conference on Learning Representations (ICLR) DOI: 10.48550/arXiv.1711.05101 - 介绍了AdamW，一种广泛用于大型模型的优化器，并解释了解耦权重衰减。
- Outrageously Large Neural Networks: The Sparsely-Gated Mixture-of-Experts Layer, Noam Shazeer, Azalia Mirhoseini, Krzysztof Maziarz, Andy Davis, Quoc Le, Geoffrey Hinton, Jeff Dean, 2017 International Conference on Learning Representations (ICLR) DOI: 10.48550/arXiv.1701.06538 - 介绍了稀疏门控专家混合层，讨论了初步的训练考量。
- GShard: Scaling Giant Models with Conditional Computation and Automatic Sharding, Dmitry Lepikhin, HyoukJoong Lee, Yuanzhong Xu, Dehao Chen, Orhan Firat, Yanping Huang, Maxim Krikun, Noam Shazeer, Zhifeng Chen, 2020 International Conference on Learning Representations (ICLR) DOI: 10.48550/arXiv.2006.16668 - 描述了MoE的扩展，并引入了辅助负载均衡损失，直接影响优化器选择和超参数。