量子位
·
只激活3.8B参数，性能比肩同款7B模型！训练微调都能用，来自微软
💡
原文中文，约3100字，阅读约需8分钟。
📝
内容提要
微软亚洲研究院提出了一种名为Q-Sparse的模型稀疏化方法，只需激活60%的参数就能实现与全激活稠密模型相当的性能。该方法适用于从头训练、继续训练和微调，并能与量化技术结合使用。研究还发现了适用于模型推理优化的“Scaling Law”。实验结果表明，Q-Sparse在稀疏率和模型表现上优于之前的ReLU方法。此外，作者还发现稀疏激活模型的性能遵循幂律缩放关系，随着模型规模的增大，稀疏激活模型与密集模型之间的性能差距逐渐缩小。
🎯
关键要点
- 微软亚洲研究院提出Q-Sparse模型稀疏化方法，仅激活60%的参数即可实现与全激活模型相当的性能。
- Q-Sparse适用于从头训练、继续训练和微调，并能与量化技术结合使用。
- Q-Sparse通过Top-K稀疏化函数实现模型稀疏化，显著减少计算量和内存带宽需求。
- 在前馈层中，Q-Sparse使用平方ReLU函数替代常规ReLU激活函数，以提高激活的稀疏性。
- 实验结果显示，Q-Sparse在稀疏率和模型表现上优于ReLU方法，能够在不同任务中保持性能。
- 研究发现稀疏激活模型的性能遵循幂律缩放关系，随着模型规模增大，稀疏激活模型与密集模型的性能差距逐渐缩小。
- 最优稀疏率S*可在一定预算下实现模型损失函数值的最小化，FP32模型的最优稀疏率约为45.58%。
- Q-Sparse可以无缝集成到量化模型中，进一步提高大语言模型在推理阶段的效率。
❓
延伸问答
Q-Sparse模型的主要优势是什么？
Q-Sparse模型只需激活60%的参数即可实现与全激活模型相当的性能，显著降低计算量和内存带宽需求。
Q-Sparse如何实现模型稀疏化？
Q-Sparse通过Top-K稀疏化函数对输入张量进行处理，保留绝对值最大的K个元素，从而实现稀疏化。
Q-Sparse模型适用于哪些训练方式？
Q-Sparse适用于从头训练、继续训练和微调，具有广泛的应用范围。
Q-Sparse与ReLU方法相比有什么优势？
实验结果显示，Q-Sparse在稀疏率和模型表现上均优于ReLU方法，能够在不同任务中保持性能。
Q-Sparse的最优稀疏率是多少？
对于全精度模型，Q-Sparse的最优稀疏率约为45.58%。
Q-Sparse如何与量化技术结合使用？
Q-Sparse可以无缝集成到量化模型中，进一步提高大语言模型在推理阶段的效率。
➡️
