Implémentation d'un modèle expert mixte (MoE) à l'aide de PyTorch

Le lancement de Mixtral 8x7B a suscité une large attention dans le domaine de l'IA ouverte, en particulier le concept de mélange d'experts (MoE), bien connu de tous. Le concept d'expertise hybride (MoE) symbolise l'intelligence collaborative et incarne l'idée que le tout est supérieur à la somme de ses parties. Le modèle MoE intègre les avantages de plusieurs modèles experts pour fournir des prédictions plus précises. Il se compose d’un réseau fermé et d’un ensemble de réseaux d’experts, chacun étant capable de gérer différents aspects d’une tâche spécifique. En attribuant correctement les tâches et les pondérations, le modèle MoE peut tirer parti de l'expertise des experts, améliorant ainsi les performances globales de prévision. Ce modèle intelligent collaboratif a apporté de nouvelles avancées dans le développement du domaine de l'IA et jouera un rôle important dans les applications futures.

Cet article utilisera PyTorch pour implémenter le modèle MoE. Avant d’introduire le code spécifique, présentons brièvement l’architecture de l’expert hybride.

Architecture MoE

MoE se compose de deux types de réseaux : (1) réseau expert et (2) réseau fermé.

Expert Network est une méthode qui utilise un modèle propriétaire qui fonctionne bien sur un sous-ensemble de données. Son concept principal est de couvrir l’espace du problème grâce à plusieurs experts aux atouts complémentaires pour garantir une solution globale au problème. Chaque modèle expert est formé avec des capacités et une expérience uniques, améliorant ainsi les performances et l'efficacité globales du système. Grâce à l’utilisation de réseaux d’experts, des tâches et des besoins complexes peuvent être traités efficacement et de meilleures solutions peuvent être proposées.

Un réseau fermé est un réseau utilisé pour diriger, coordonner ou gérer les contributions d'experts. Il détermine quel réseau est le meilleur pour traiter une entrée spécifique en apprenant et en pesant les capacités de différents réseaux pour différents types d'entrées. Un réseau de contrôle bien formé peut évaluer de nouveaux vecteurs d’entrée et attribuer des tâches de traitement à l’expert ou à la combinaison d’experts le plus approprié en fonction de ses compétences. Le réseau de contrôle ajuste dynamiquement les pondérations en fonction de la pertinence des résultats de l'expert par rapport à l'entrée actuelle pour garantir des réponses personnalisées. Ce mécanisme d'ajustement dynamique des poids permet au réseau de contrôle de s'adapter de manière flexible aux différentes situations et besoins.

L'image ci-dessus montre le flux de traitement au sein du MoE. L’avantage du modèle expert mixte est sa simplicité. En apprenant l'espace complexe du problème et les réactions des experts tout en résolvant le problème, les modèles du MoE aident à produire de meilleures solutions qu'un seul expert. Le Gating Network agit comme un gestionnaire efficace, évaluant les scénarios et confiant les tâches aux meilleurs experts. Lorsque de nouvelles données sont saisies, le modèle peut s'adapter en réévaluant les points forts de l'expert par rapport à la nouvelle entrée, ce qui aboutit à une approche d'apprentissage flexible. En bref, le modèle du MoE exploite les connaissances et l’expérience de plusieurs experts pour résoudre des problèmes complexes. Grâce à la gestion d'un réseau sécurisé, le modèle peut sélectionner les experts les plus appropriés pour gérer les tâches selon différents scénarios. Les avantages de cette approche sont sa capacité à produire de meilleures solutions qu'un seul expert et sa flexibilité pour s'adapter aux nouvelles données d'entrée. Dans l’ensemble, le modèle MoE est une méthode efficace et simple qui peut être utilisée pour résoudre divers problèmes complexes.

MoE offre d'énormes avantages pour le déploiement de modèles d'apprentissage automatique. Voici deux avantages notables.

La principale force du MoE réside dans son réseau d’experts diversifiés et professionnels. Le paramétrage du MoE peut traiter des problèmes dans plusieurs domaines avec une grande précision, ce qui est difficile à réaliser avec un seul modèle.

MoE est intrinsèquement évolutif. À mesure que la complexité des tâches augmente, davantage d’experts peuvent être intégrés de manière transparente dans le système, élargissant ainsi la portée de l’expertise sans qu’il soit nécessaire de modifier d’autres modèles d’experts. En d’autres termes, le ministère de l’Éducation peut intégrer des experts pré-formés dans des systèmes d’apprentissage automatique pour aider les systèmes à faire face aux exigences croissantes des tâches.

Les modèles experts mixtes ont des applications dans de nombreux domaines, notamment les systèmes de recommandation, la modélisation du langage et diverses tâches de prédiction complexes. Il y a des rumeurs selon lesquelles GPT-4 serait composé de plusieurs experts. Bien que nous ne puissions pas le confirmer, un modèle comme gpt-4 fournira les meilleurs résultats en exploitant la puissance de plusieurs modèles grâce à l'approche MoE.

Code Pytorch

Nous n'allons pas discuter ici de la technologie MOE utilisée dans les grands modèles comme Mixtral 8x7B. Au lieu de cela, nous écrivons un MOE personnalisé simple qui peut être appliqué à n'importe quelle tâche. Nous pouvons le comprendre grâce au. code Le principe de fonctionnement de MOE est très utile pour comprendre comment MOE fonctionne dans les grands modèles.

Ci-dessous, nous présenterons l'implémentation du code de PyTorch pièce par pièce.

Importer la bibliothèque :

import torch import torch.nn as nn import torch.optim as optim

Définir le modèle expert :

class Expert(nn.Module): def __init__(self, input_dim, hidden_dim, output_dim): super(Expert, self).__init__() self.layer1 = nn.Linear(input_dim, hidden_dim) self.layer2 = nn.Linear(hidden_dim, output_dim)  def forward(self, x): x = torch.relu(self.layer1(x)) return torch.softmax(self.layer2(x), dim=1)

Ici, nous définissons un modèle expert simple, vous pouvez voir qu'il s'agit d'un mlp à 2 couches, utilisant l'activation de relu, et enfin utilisant les sorties softmax la probabilité de classification.

Définir le modèle de déclenchement :

# Define the gating model class Gating(nn.Module): def __init__(self, input_dim,num_experts, dropout_rate=0.1): super(Gating, self).__init__()  # Layers self.layer1 = nn.Linear(input_dim, 128) self.dropout1 = nn.Dropout(dropout_rate)  self.layer2 = nn.Linear(128, 256) self.leaky_relu1 = nn.LeakyReLU() self.dropout2 = nn.Dropout(dropout_rate)  self.layer3 = nn.Linear(256, 128) self.leaky_relu2 = nn.LeakyReLU() self.dropout3 = nn.Dropout(dropout_rate)  self.layer4 = nn.Linear(128, num_experts)  def forward(self, x): x = torch.relu(self.layer1(x)) x = self.dropout1(x)  x = self.layer2(x) x = self.leaky_relu1(x) x = self.dropout2(x)  x = self.layer3(x) x = self.leaky_relu2(x) x = self.dropout3(x)  return torch.softmax(self.layer4(x), dim=1)

门控模型更复杂，有三个线性层和dropout层用于正则化以防止过拟合。它使用ReLU和LeakyReLU激活函数引入非线性。最后一层的输出大小等于专家的数量，并对这些输出应用softmax函数。输出权重，这样可以将专家的输出与之结合。

说明：其实门控网络，或者叫路由网络是MOE中最复杂的部分，因为它涉及到控制输入到那个专家模型，所以门控网络也有很多个设计方案，例如（如果我没记错的话）Mixtral 8x7B 只是取了8个专家中的top2。所以我们这里不详细讨论各种方案，只是介绍其基本原理和代码实现。

完整的MOE模型：

class MoE(nn.Module): def __init__(self, trained_experts): super(MoE, self).__init__() self.experts = nn.ModuleList(trained_experts) num_experts = len(trained_experts) # Assuming all experts have the same input dimension input_dim = trained_experts[0].layer1.in_features self.gating = Gating(input_dim, num_experts)  def forward(self, x): # Get the weights from the gating network weights = self.gating(x)  # Calculate the expert outputs outputs = torch.stack([expert(x) for expert in self.experts], dim=2)  # Adjust the weights tensor shape to match the expert outputs weights = weights.unsqueeze(1).expand_as(outputs)  # Multiply the expert outputs with the weights and # sum along the third dimension return torch.sum(outputs * weights, dim=2)

这里主要看前向传播的代码，通过输入计算出权重和每个专家给出输出的预测，最后使用权重将所有专家的结果求和最终得到模型的输出。

这个是不是有点像“集成学习”。

测试

下面我们来对我们的实现做个简单的测试，首先生成一个简单的数据集:

# Generate the dataset num_samples = 5000 input_dim = 4 hidden_dim = 32  # Generate equal numbers of labels 0, 1, and 2 y_data = torch.cat([ torch.zeros(num_samples // 3), torch.ones(num_samples // 3), torch.full((num_samples - 2 * (num_samples // 3),), 2)# Filling the remaining to ensure exact num_samples ]).long()  # Biasing the data based on the labels x_data = torch.randn(num_samples, input_dim)  for i in range(num_samples): if y_data[i] == 0: x_data[i, 0] += 1# Making x[0] more positive elif y_data[i] == 1: x_data[i, 1] -= 1# Making x[1] more negative elif y_data[i] == 2: x_data[i, 0] -= 1# Making x[0] more negative  # Shuffle the data to randomize the order indices = torch.randperm(num_samples) x_data = x_data[indices] y_data = y_data[indices]  # Verify the label distribution y_data.bincount()  # Shuffle the data to ensure x_data and y_data remain aligned shuffled_indices = torch.randperm(num_samples) x_data = x_data[shuffled_indices] y_data = y_data[shuffled_indices]  # Splitting data for training individual experts # Use the first half samples for training individual experts x_train_experts = x_data[:int(num_samples/2)] y_train_experts = y_data[:int(num_samples/2)]  mask_expert1 = (y_train_experts == 0) | (y_train_experts == 1) mask_expert2 = (y_train_experts == 1) | (y_train_experts == 2) mask_expert3 = (y_train_experts == 0) | (y_train_experts == 2)  # Select an almost equal number of samples for each expert num_samples_per_expert = \ min(mask_expert1.sum(), mask_expert2.sum(), mask_expert3.sum())  x_expert1 = x_train_experts[mask_expert1][:num_samples_per_expert] y_expert1 = y_train_experts[mask_expert1][:num_samples_per_expert]  x_expert2 = x_train_experts[mask_expert2][:num_samples_per_expert] y_expert2 = y_train_experts[mask_expert2][:num_samples_per_expert]  x_expert3 = x_train_experts[mask_expert3][:num_samples_per_expert] y_expert3 = y_train_experts[mask_expert3][:num_samples_per_expert]  # Splitting the next half samples for training MoE model and for testing x_remaining = x_data[int(num_samples/2)+1:] y_remaining = y_data[int(num_samples/2)+1:]  split = int(0.8 * len(x_remaining)) x_train_moe = x_remaining[:split] y_train_moe = y_remaining[:split]  x_test = x_remaining[split:] y_test = y_remaining[split:]  print(x_train_moe.shape,"\n", x_test.shape,"\n", x_expert1.shape,"\n", x_expert2.shape,"\n", x_expert3.shape)

这段代码创建了一个合成数据集，其中包含三个类标签——0、1和2。基于类标签对特征进行操作，从而在数据中引入一些模型可以学习的结构。

数据被分成针对个别专家的训练集、MoE模型和测试集。我们确保专家模型是在一个子集上训练的，这样第一个专家在标签0和1上得到很好的训练，第二个专家在标签1和2上得到更好的训练，第三个专家看到更多的标签2和0。

我们期望的结果是：虽然每个专家对标签0、1和2的分类准确率都不令人满意，但通过结合三位专家的决策，MoE将表现出色。

模型初始化和训练设置:

# Define hidden dimension output_dim = 3 hidden_dim = 32  epochs = 500 learning_rate = 0.001   # Instantiate the experts expert1 = Expert(input_dim, hidden_dim, output_dim) expert2 = Expert(input_dim, hidden_dim, output_dim) expert3 = Expert(input_dim, hidden_dim, output_dim)  # Set up loss criterion = nn.CrossEntropyLoss()  # Optimizers for experts optimizer_expert1 = optim.Adam(expert1.parameters(), lr=learning_rate) optimizer_expert2 = optim.Adam(expert2.parameters(), lr=learning_rate) optimizer_expert3 = optim.Adam(expert3.parameters(), lr=learning_rate)

实例化了专家模型和MoE模型。定义损失函数来计算训练损失，并为每个模型设置优化器，在训练过程中执行权重更新。

训练的步骤也非常简单

# Training loop for expert 1 for epoch in range(epochs):optimizer_expert1.zero_grad()outputs_expert1 = expert1(x_expert1)loss_expert1 = criterion(outputs_expert1, y_expert1)loss_expert1.backward()optimizer_expert1.step()  # Training loop for expert 2 for epoch in range(epochs):optimizer_expert2.zero_grad()outputs_expert2 = expert2(x_expert2)loss_expert2 = criterion(outputs_expert2, y_expert2)loss_expert2.backward()optimizer_expert2.step()  # Training loop for expert 3 for epoch in range(epochs):optimizer_expert3.zero_grad()outputs_expert3 = expert3(x_expert3)loss_expert3 = criterion(outputs_expert3, y_expert3)loss_expert3.backward()

每个专家使用基本的训练循环在不同的数据子集上进行单独的训练。循环迭代指定数量的epoch。

下面是我们MOE的训练

# Create the MoE model with the trained experts moe_model = MoE([expert1, expert2, expert3])  # Train the MoE model optimizer_moe = optim.Adam(moe_model.parameters(), lr=learning_rate) for epoch in range(epochs):optimizer_moe.zero_grad()outputs_moe = moe_model(x_train_moe)loss_moe = criterion(outputs_moe, y_train_moe)loss_moe.backward()optimizer_moe.step()

MoE模型是由先前训练过的专家创建的，然后在单独的数据集上进行训练。训练过程类似于单个专家的训练，但现在门控网络的权值在训练过程中更新。

最后我们的评估函数：

# Evaluate all models def evaluate(model, x, y):with torch.no_grad():outputs = model(x)_, predicted = torch.max(outputs, 1)correct = (predicted == y).sum().item()accuracy = correct / len(y)return accuracy

evaluate函数计算模型在给定数据上的精度(x代表样本，y代表预期标签)。准确度计算为正确预测数与预测总数之比。

结果如下：

accuracy_expert1 = evaluate(expert1, x_test, y_test) accuracy_expert2 = evaluate(expert2, x_test, y_test) accuracy_expert3 = evaluate(expert3, x_test, y_test) accuracy_moe = evaluate(moe_model, x_test, y_test)  print("Expert 1 Accuracy:", accuracy_expert1) print("Expert 2 Accuracy:", accuracy_expert2) print("Expert 3 Accuracy:", accuracy_expert3) print("Mixture of Experts Accuracy:", accuracy_moe)  #Expert 1 Accuracy: 0.466 #Expert 2 Accuracy: 0.496 #Expert 3 Accuracy: 0.378 #Mixture of Experts Accuracy: 0.614

可以看到

专家1正确预测了测试数据集中大约46.6%的样本的类标签。

专家2表现稍好，正确预测率约为49.6%。

专家3在三位专家中准确率最低，正确预测的样本约为37.8%。

而MoE模型显著优于每个专家，总体准确率约为61.4%。

总结

我们测试的输出结果显示了混合专家模型的强大功能。该模型通过门控网络将各个专家模型的优势结合起来，取得了比单个专家模型更高的精度。门控网络有效地学习了如何根据输入数据权衡每个专家的贡献，以产生更准确的预测。混合专家利用了各个模型的不同专业知识，在测试数据集上提供了更好的性能。

同时也说明我们可以在现有的任务上尝试使用MOE来进行测试，也可以得到更好的结果。

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!