为了实现大模型的高效训练和推理，混合专家模型MoE便横空出世。

大模型发展即将进入下一阶段但目前仍面临众多难题。为满足与日俱增的实际需求，大模型参数会越来越大，数据集类型越来越多，从而导致训练难度大增，同时也提高了推理成本。为了实现大模型的高效训练和推理，混合专家模型MoE便横空出世。

MoE结构的发展

Vanilla MoE

Export Network，用于学习不同数据，一个Gating Network用于分配每个Expert的输出权重。

Sparse MoE

Experts的输出是稀疏的，只有部分的 experts 的权重> 0，其余=0 的 expert 直接不参与计算

Expert Balancing问题

不同 experts 在竞争的过程中，会出现"赢者通吃"的现象：前期变现好的 expert 会更容易被 gating network 选择，导致最终只有少数的几个 experts 真正起作用

Transformer MoE

GShard

Transformer的encoder和decoder中，每隔一个（every other）FFN层，替换成position-wise MoE层
Top-2 gating network

Switch Transformer

简化了MoE的routing算法，gating network 每次只 route 到 1 个 expert

GLaM

Gshard结构
Scale参数量
降低训练推理成本

MoE的分布式通信和MindSpore优化

MoE结构和普通的Dense模型的差异在于，其需要额外的AllToAll通信，来实现数据的路由(Gating)和结果的回收。而AllToAll通信会跨Node（服务器）、跨pod（路由），进而造成大量的通信阻塞问题

MindSpore的MoE优化

大模型训练主要瓶颈在于片上内存与卡间通信。常用的内存优化手段：

1）MoE并行：将不同的专家切分到不同的卡上，由于MoE的路由机制，需要使用AllToAll通信，将token发送到正确的卡上。对AllToAll的优化：分级AllToAll、Group-wise AllToAll等。

2）优化器异构：大模型训练常使用的adam系列优化器，其占用的内存往往是模型参数本身的2倍或以上，可以将优化器状态存储在Host内存上。

3）多副本并行：将串行的通信、计算拆分成多组，组件流水，掩盖通信时间。

MindSpore已使能上述优化，大幅提升了万亿参数稀疏模型的训练吞吐

Mixtral 8x7b MoE大模型

Mixtral的基础模型Mistral

RoPE
RMSNorm
Transformer decoder
Grouped Multi-Query Attention
Sliding window attention: 优化随着序列长度增加而增长的显存占用和计算消耗

Mixtral

8个expert（类GPT-4）
Top2 gating

MoE Layer的MindSpore实现

Mindformers的Mixtral支持

基于MindFormers实现Mixtral-8x7B MoE模型。关键结构: GQA, RoPE, RMSNorm, SiluMoE配置: 8 Experts, TopK=2, capacity c=1.1加载开源的Mixtral权重和tokenizer，推理结果对齐HF.
4机32卡EP,PP等多维混合并行，基于自有数据集试验性训练收敛符合预期。200 epoch loss 100.02

EP=8,MP=1时性能最佳,约1147 tokens/s/p。

MoE和lifelong learning

终身学习/持续学习的性质

|------------------------------|---------------|
| 性质 | 定义 |
| 知识记忆(knowledge retention) | 模型不易产生遗忘灾难 |
| 前向迁移(forward transfer) | 利用旧知识学习新任务 |
| 后向迁移(backward transfer) | 新任务学习后提升旧任务 |
| 在线学习(online learning) | 连续数据流学习 |
| 无任务边界(No task boudaries) | 不需要明确的任务或数据定义 |
| 固定模型容量(Fixed model capacity) | 模型大小不随任务和数据变化 |

MoE模型+终身学习

|------------------------------|---|
| 性质 | |
| 知识记忆(knowledge retention) | √ |
| 前向迁移(forward transfer) | √ |
| 后向迁移(backward transfer) | - |
| 在线学习(online learning) | × |
| 无任务边界(No task boudaries) | √ |
| 固定模型容量(Fixed model capacity) | √ |

MoE的特点：