MoE的Scaling law

背景

Dense网络的scaling law如下：
<math xmlns="http://www.w3.org/1998/Math/MathML" display="block"> L o g L ( N ) ≜ a l o g N + d (1) Log\ \mathit{L}(N) \triangleq a\ log \mathit N + d \tag{1} </math>Log L(N)≜a logN+d(1)

来自Scaling laws for neural language models

不同的分词器、模型结构、数据都会影响这2个值，所以需要重新评估。

MoE的scaling law建模出自论文 Unified Scaling Laws for Routed Language Models, DeepMind, Feb 2022，关键的工作是基于Dense网络的scaling law，并结合MoE的实验特性，设计出新的建模。

关键假设：MoE模型收敛后（如果没有特殊说明，后续所有的loss都是指收敛后的）的log-loss，是基底参数两log和expert数量log的双线性组合。

表示公式如下：
<math xmlns="http://www.w3.org/1998/Math/MathML" display="block"> l o g L ( N , E ) ≜ a l o g N + b l o g E ^ + c l o g N l o g E ^ + d (2) log L(N, E)\triangleq a\ log\ N + b\ log\ \hat{E} + c\ log\ N log \hat{E} + d \tag{2} </math>logL(N,E)≜a log N+b log E^+c log NlogE^+d(2)
<math xmlns="http://www.w3.org/1998/Math/MathML" display="block"> w h e r e 1 E ^ ≜ 1 E − 1 + ( 1 E s t a r t − 1 E m a x ) + 1 E m a x where\ \ \ \ \frac{1}{\hat{E}} \triangleq \frac{1}{E-1+(\frac{1}{E_{start}}-\frac{1}{E_{max}})} + \frac{1}{E_{max}} </math>where E^1≜E−1+(Estart1−Emax1)1+Emax1

注意：其中 <math xmlns="http://www.w3.org/1998/Math/MathML"> l o g log </math>log 函数使用的基底为10。

解释一下其中使用到的变量：

<math xmlns="http://www.w3.org/1998/Math/MathML"> E E </math>E 表示expert的数量， <math xmlns="http://www.w3.org/1998/Math/MathML"> E ^ \hat{E} </math>E^ 表示饱和化的 <math xmlns="http://www.w3.org/1998/Math/MathML"> E E </math>E，用来衡量expert数量变大后效果变差的衰减；
<math xmlns="http://www.w3.org/1998/Math/MathML"> N N </math>N 表示对应基底模型的参数量；
<math xmlns="http://www.w3.org/1998/Math/MathML"> a , b , c , d , E s t a r t , E m a x a,b,c,d,E_{start},E_{max} </math>a,b,c,d,Estart,Emax 为待拟合的参数；

建模方式的演进

下面介绍如何从公式(1)一步步到公式(2)的，以及对应的逻辑。

理论推导部分

如果给定 <math xmlns="http://www.w3.org/1998/Math/MathML"> N N </math>N，那么 <math xmlns="http://www.w3.org/1998/Math/MathML"> E E </math>E一定程度上与整体参数量成正比；

很容易想到
<math xmlns="http://www.w3.org/1998/Math/MathML" display="block"> l o g L N ( E ) ≜ b l o g E + d ′ (3) log\ L_N(E)\triangleq b\ log\ E + d' \tag{3} </math>log LN(E)≜b log E+d′(3)
<math xmlns="http://www.w3.org/1998/Math/MathML"> E = 1 E=1 </math>E=1的时候代表了Dense网络的情况；

带入公式3得到了 <math xmlns="http://www.w3.org/1998/Math/MathML"> l o g L N ( E ) = d ′ log\ L_N(E)= d' </math>log LN(E)=d′，所以有 <math xmlns="http://www.w3.org/1998/Math/MathML"> d ′ = a l o g N + d d'=a\ log \mathit N + d </math>d′=a logN+d；

由此可以得到公式1和公式3的结合：
<math xmlns="http://www.w3.org/1998/Math/MathML" display="block"> l o g L ( N , E ) ≜ a l o g N + b l o g E + d (4) log\ L(N,E)\triangleq a\ log\ N + b\ log\ E + d \tag{4} </math>log L(N,E)≜a log N+b log E+d(4)

到这一步，基于推论的建模就到头了，后续改动都是通过实验观察得到的。

实验修正部分

观察1 ：公式4在拟合过程中， <math xmlns="http://www.w3.org/1998/Math/MathML"> b b </math>b会随着模型参数增大而增大。

反映了基底模型越大的时候，expert增加带来收益的下降趋势。而在公式4中， <math xmlns="http://www.w3.org/1998/Math/MathML"> l o g N log N </math>logN对应的斜率是固定的 <math xmlns="http://www.w3.org/1998/Math/MathML"> a a </math>a，因此存在误差。

实验中发现斜率变化与 <math xmlns="http://www.w3.org/1998/Math/MathML"> l o g N log\ N </math>log N大概成正比，如下图：

所以增加一项 <math xmlns="http://www.w3.org/1998/Math/MathML"> l o g N log\ N </math>log N与 <math xmlns="http://www.w3.org/1998/Math/MathML"> l o g E log\ E </math>log E的交叉特征，得到公式5。
<math xmlns="http://www.w3.org/1998/Math/MathML" display="block"> l o g L ( N , E ) ≜ a l o g N + b l o g E + c l o g N l o g E + d (5) log\ L(N,E)\triangleq a\ log\ N + b\ log\ E + c\ log\ N\ log\ E + d \tag{5} </math>log L(N,E)≜a log N+b log E+c log N log E+d(5)

此时 <math xmlns="http://www.w3.org/1998/Math/MathML"> l o g E log\ E </math>log E对应的斜率为 <math xmlns="http://www.w3.org/1998/Math/MathML"> b + c l o g N b+c\ log\ N </math>b+c log N，如果c为正数那么 <math xmlns="http://www.w3.org/1998/Math/MathML"> N N </math>N增大会让斜率增大，既log-loss下降的速度降低。所以一个好的MoE的方法应该让 <math xmlns="http://www.w3.org/1998/Math/MathML"> c c </math>c尽量接近于0。

观察2 ：因为MoE方法中的特性， <math xmlns="http://www.w3.org/1998/Math/MathML"> E E </math>E过大和过小都会影响模型的效果；

比如：

如果E多大的时候，会遇到gradient方差变大的情况（expert之间差异比较大），从而降低模型效果；
如果E特别小的时候，固定的负担（指负载平衡loss）的影响会更明显，可能影响模型效果；

因此对 <math xmlns="http://www.w3.org/1998/Math/MathML"> E E </math>E进行饱和化处理，公式为
<math xmlns="http://www.w3.org/1998/Math/MathML" display="block"> 1 E ^ ≜ 1 E − 1 + ( 1 E s t a r t − 1 E m a x ) + 1 E m a x \frac{1}{\hat{E}} \triangleq \frac{1}{E-1+(\frac{1}{E_{start}}-\frac{1}{E_{max}})} + \frac{1}{E_{max}} </math>E^1≜E−1+(Estart1−Emax1)1+Emax1

主要特性是 <math xmlns="http://www.w3.org/1998/Math/MathML"> E → 1 , E ^ → E s t a r t E\to1, \hat{E}\to E_{start} </math>E→1,E^→Estart， <math xmlns="http://www.w3.org/1998/Math/MathML"> E → ∞ , E ^ → E m a x E\to \infty, \hat{E}\to E_{max} </math>E→∞,E^→Emax。

取，画出 <math xmlns="http://www.w3.org/1998/Math/MathML"> E E </math>E从1到512过程中 <math xmlns="http://www.w3.org/1998/Math/MathML"> E ^ \hat{E} </math>E^的变化，可以看到当 <math xmlns="http://www.w3.org/1998/Math/MathML"> E E </math>E增大的时候， <math xmlns="http://www.w3.org/1998/Math/MathML"> E ^ \hat{E} </math>E^增加变缓代表了增大expert数量带来的收益逐渐降低。因此，在实际使用MoE时，尽量设置不超过128的expert数量。

至此，得到最终的scaling law建模，即公式(1)。另外，因为我们的实验以及场景都是在小于128的场景下进行的，所以饱和化带来的收益比较小，因此，可以沿用论文中的 <math xmlns="http://www.w3.org/1998/Math/MathML"> E m a x E_{max} </math>Emax和 <math xmlns="http://www.w3.org/1998/Math/MathML"> E s t a r t E_{start} </math>Estart设置，所需需要拟合的参数只有 <math xmlns="http://www.w3.org/1998/Math/MathML"> a , b , c , d a,b,c,d </math>a,b,c,d 这4个。

论文中最终拟合的参数如下：

等价有效参数

通过最终拟合的scaling law，可以计算出MoE设定下对应相同效果的Dense模型参数。

计算过程很简单，解方程： <math xmlns="http://www.w3.org/1998/Math/MathML"> L ( N ˉ , 1 ) = L ( N , E ) L(\bar{N}, 1)=L(N, E) </math>L(Nˉ,1)=L(N,E)。

得到解：
<math xmlns="http://www.w3.org/1998/Math/MathML" display="block"> N ˉ ≜ ( N ) α ( E ^ ) / α ( E s t a r t ) ( E ^ / E s t a r t ) b / α E s t a r t \bar N \triangleq (N)^{\alpha(\hat{E})/\alpha(E_{start})} (\hat{E}/E_{start})^{b/\alpha{E_{start}}} </math>Nˉ≜(N)α(E^)/α(Estart)(E^/Estart)b/αEstart

显而易见，EPC可以带入Dense网络的scaling law计算。

EPC计算代码如下：

python 复制代码

import numpy as np
# compute EPC有效参数
E = 16 # Number of Experts
N = 7_241_728_000 # Parameter Count in Base Model

def compute_EPC_by_law(N, E):
    a, b, c, d = -0.082, -0.108, 0.009, 1.104
    e_start, e_max = 1.847, 314.478
    log = np.log10
    def alpha(e):
        return a + c * log(e)
    E_saturating = 1 / (1 / (E-1+1/(1/e_start-1/e_max)) + 1 / e_max)
    factor1 = np.power(N, alpha(E_saturating) / alpha(e_start))
    factor2 = np.power(E_saturating / e_start, b / alpha(e_start) )
    return factor1 * factor2

通过这个公式可以计算得到一系列MoE模型设定下对应的Dense网络表，如下：

base参数	expert数量(等价dense参数量)
10M	8(23.88M), 16(33.89M), 32(48.12M), 64(67.24M), 128(90.77M)
50M	8(105.73M), 16(142.87M), 32(193.16M), 64(257.59M), 128(333.41M)
100M	8(200.66M), 16(265.50M), 32(351.46M), 64(459.33M), 128(583.90M)
300M	8(554.00M), 16(708.92M), 32(907.58M), 64(1.15B), 128(1.42B)
500M	8(888.35M), 16(1.12B), 32(1.41B), 64(1.76B), 128(2.14B)
800M	8(1.37B), 16(1.70B), 32(2.12B), 64(2.60B), 128(3.14B)
1B	8(1.69B), 16(2.08B), 32(2.57B), 64(3.14B), 128(3.76B)
3B	8(4.65B), 16(5.55B), 32(6.63B), 64(7.85B), 128(9.13B)
5B	8(7.46B), 16(8.77B), 32(10.30B), 64(12.02B), 128(13.80B)
7B	8(10.19B), 16(11.85B), 32(13.78B), 64(15.91B), 128(18.11B)
13B	8(18.05B), 16(20.60B), 32(23.51B), 64(26.68B), 128(29.87B)
70B	8(85.59B), 16(92.80B), 32(100.62B), 64(108.71B), 128(116.51B)
130B	8(151.69B), 16(161.39B), 32(171.74B), 64(182.23B), 128(192.18B)
200B	8(225.88B), 16(237.21B), 32(249.12B), 64(261.05B), 128(272.23B)

$!important$
应当注意，计算过程中使用的是论文中的数据，可作为参考不代表最终效果！

最终我们期望得到这样的一组scaling law图表，用来指导后续的结构选型。