克雷西发自凹非寺
量子位公众号 QbitAI
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。
微软亚洲研究院的一项新研究，实现了模型的完全稀疏激活，让推理成本大幅下降。
而且适用范围广泛，无论是从头训练、继续训练还是微调，都能提供有效支持。
该方法名为Q-Sparse，在神经元级别上实现了模型稀疏化，相比于其他方式粒度更细，在相同推理开销下，无论性能还是稀疏率都更好。
名称之中，Q指的是量化（Quantization），意味着它除了普通模型之外，也兼容量化技术，适用于各种量化方式的模型。
作者进一步表示，如果把Q-Sparse 与模型量化技术结合，还可以实现更大程度的降本增效。
另外在研究Q-Sparse 的同时，团队也对参数规模、稀疏率和模型性能三者之间的关系进行了深入探寻，并发现了适用于模型推理优化的“Scaling Law”。
有网友认为，这项技术确实不错，而且比 ReLU 要更好。
还有人开启了许愿模式，表示如果（AMD 的）ROCm 能比英伟达更快支持这项技术就好了。
用 Top-K 函数实现稀疏化
Q-Sparse 所做的最核心的操作，是对输入的张量应用 Top-K 稀疏化函数。
具体来说，Transformer 架构在注意力层和前馈层中都使用 nn.Linear 线性层（矩阵乘法）进行投影，可以表示为Y=X·W^T。（其中X就是输入张量，W代表其权重，Y为输出张量）
Q-Sparse 中，对于一个输入激活张量X，首先会计算其绝对值X并进行排序，找出其中绝对值最大的K个元素。
这里的K是预先设定的超参数，决定了稀疏化的程度。
之后Q-Sparse 会创建一个与X形状相同的二进制掩码张量M，对于一系列X中绝对值最大的K个元素对应的位置，将M中的相应位置设置为1，其余位置设置为0。
接着，将输入张量X与掩码张量M进行 Hadamard 积（逐元素相乘）运算，就得到了稀疏化的张量X_sparse。
在前向传播过程中，稀疏化后的张量X_sparse 将代替原始的输入张量X参与后续的计算（如矩阵乘法）。
由于X_sparse 中大部分元素已经被设置为零，因此可以显著减少计算量和内存带宽需求。
在反向传播过程中，Q-Sparse 使用了直通估计器（Straight-Through Estimator，STE）来计算 Top-K 函数的梯度。
传统的训练方式中，通常需要计算损失函数对网络参数的梯度，并使用梯度下降法更新参数以最小化损失。
但当网络中存在量化、Top-K 等一些不可微的操作时，梯度的计算就会遇到问题，因为这些操作的输出对输入的梯度在大多数点上都是0，导致梯度无法有效传播。
STE 通过直接将梯度传递给稀疏化之前的张量，避免了梯度消失的问题。
一般的反向传播中，损失函数L对x的梯度∂L/∂x=∂L/∂y⋅∂y/∂x，但由于不可微分无法直接计算。
STE 的解决方案是只计算损失函数对稀疏化张量y的梯度，然后将其直接复制给原始张量x，也就是直接将∂L/∂y作为∂L/∂x的估计。
△有/无 STE 时的梯度比较
对于前馈层，Q-Sparse 使用平方 ReLU 函数代替常规的 ReLU 激活函数，平方运算可以进一步提高激活的稀疏性（⊙表示 Hadamard 积）。
另外，为了适配量化模型，Q-Sparse 在应用 Top-K 稀疏化之前，会先对输入张量进行量化，以确保稀疏化操作与量化表示兼容，其函数表示如下：
其中，ε是一个小常数，用于避免出现分母为零的情况。
特别的，对于1-bit 量化的权重，Q-Sparse 使用以下量化函数，其中α是权重张量W的平均绝对值。
60% 激活参数达到相同效果
对比实验表明，无论是稀疏率还是模型表现，Q-Sparse 都显著优于此前的 ReLU 方法。
针对Q-Sparse 的具体效果，作者对其在从头训练、继续训练和微调三项任务上的性能进行了评估。
从头训练实验使用的模型为 Llama，结果在 700M 和 7B 模型上，使用 70% top-K (即 40% 的整体稀疏率)的Q-Sparse 可以达到与密集 baseline 相当的训练损失。
继续训练的目的是将稠密模型稀疏化，这里的实验对象是 Mistral-7B。
结果，在激活参数为 2.9B 和 3.8B 的情况下，模型在 ARC、MMLU 等数据集中的得分均未发生明显下降。
在微调实验中，对于 Qwen-7B 和 Mistral-7B 两种模型，Q-Sparse 显示出了与继续训练相似的结果，用 60% 左右的激活参数实现了与密集模型十分接近的表现。
这些结果意味着，在相同的性能下，与密集模型相比，稀疏激活模型在推理过程中可以显著减少激活参数，进而降低消耗 FLOPS 的数量。
对于量化模型，团队在自研的 BitNet b1.58 模型上应用了Q-Sparse，并在多个数据集上进行了训练和评估。
可以看到，在 700M 和 7B 两种规模下，使用Q-Sparse 的量化模型的收敛速度和最终损失函数值与未使用Q-Sparse 的量化模型(BitNet b1.58) 相当。
这说明Q-Sparse可以无缝集成到量化模型中，而不会显著影响模型的训练和收敛。
据此作者认为，将Q-Sparse 与量化技术相结合，可以进一步提高大语言模型在推理阶段的效率。
发现推理优化新“Scaling Law”
除了测评这些模型采取稀疏激活时的表现，作者也对模型性能、规模和稀疏率三者之间的关系进行了探究，并有了一些新的发现。
稀疏激活模型的性能缩放定律: 作者发现，与密集模型类似，稀疏激活模型的性能也遵循一个幂律缩放关系。
具体来说，给定稀疏率S，模型在收敛时的损失函数值L(N,S)可以用以下公式近似：
其中，N是模型参数的数量；E是一个常数，表示模型在无限大时的损失；A(S)是一个与稀疏率S有关的缩放因子。
这个缩放定律表明，稀疏激活模型的性能随着模型规模的增大而提高，但提高的速度会逐渐变慢。
同时作者发现，模型的性能也会受到稀疏率的影响。
在参数规模与性能之间关系的部分提到，A(S)是一个与稀疏率S有关的缩放因子，可以用以下公式近似：
其中B和C是常数，β是一个控制指数衰减速度的参数。
这个公式表明，当稀疏率S增大（模型变得更稀疏）时，意味着更高的稀疏率会导致性能的下降，下降的速度是指数级的。
基于上述发现，作者得出了一个推理最优的稀疏率S*，能在预算（推理时的浮点操作数）一定时，实现模型损失函数值的最小化。
对于全精度（FP32）模型，最优稀疏率约为 45.58%；而低精度（如 1.58-bit）模型的最优稀疏率则更高，约为 61.25%。
作者观察到，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。
这可以从缩放定律中得到解释：当模型规模N趋于无穷大时，稀疏激活模型的损失函数值趋于L(∞,S)=E，而密集模型的损失函数值趋于L(∞,0)=E。
这意味着，在极大规模下，稀疏激活模型有可能达到与密集模型相当的性能，为设计和训练大规模稀疏激活模型提供了一个有用的参考。
