ReLU Strikes Back: Exploiting Activation Sparsity in Large Language Models

本文主要是介绍ReLU Strikes Back: Exploiting Activation Sparsity in Large Language Models，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

iclr 2024 oral reviewer 评分 688

1 intro

• 目前LLM社区中通常使用GELU和SiLU来作为替代激活函数，它们在某些情况下可以提高LLM的预测准确率
  • 
  • 
  • 
• 但从节省模型计算量的角度考虑，论文认为经典的ReLU函数对模型收敛和性能的影响可以忽略不计，同时可以显着减少计算和权重IO量\
  • ​​​​​​​

2 激活函数影响效果吗?

• 选用了开源的大模型 OPT,Llama和Falcon
• 训练数据使用RefinedWeb
• 分别进行了预训练和finetune两个实验

2.1 不同激活函数对比

2.2 平均激活稀疏度

2.3 从头训练,各个激活函数的效果

使用不同的激活函数时，模型的性能非常相似。

3 ReLU充当预训练LLM的润滑剂

• 通过上一节的实验，LLM的预测准确率并不依赖于激活函数的类型
• 但现有大多数LLM均使用ReLU之外的激活函数进行训练
  • —>为了在推理阶段使这些LLM结合ReLU激活的计算优势，论文进行了各种架构改进实验
    • 将ReLU插入到预训练LLM中，模型在微调过程中可能快速的恢复性能，同时提高推理时的稀疏性
    • 作者将这一过程称为对LLM的“再润滑”（ReLUfication）

3.1 阶段1:替换非ReLU激活函数成ReLU

• 阶段1:使用ReLU替换到LLM中的其他激活函数
  • 在Falcon 和 Llama分别替换 GELU 和 SiLU
  • 由于 OPT 模型已经使用 ReLU 激活，因此这里保持不变

3.1.1 替换后的激活稀疏程度

3.1.2 替换后的网络预测倾向

• 论文测量了Falcon 和 Llama 预训练模型的预激活分布情况
• 可以看出，在微调阶段，这个分布本身的变化并不明显
• ——>表明网络的预测倾向在引入稀疏性时并不会改变，具有良好的稳定性

3.1.4 模型预测准确率随ReLU不断微调的变化情况

模型在微调阶段很快恢复了其原本的性能，其中Llama（绿色线条）完美的达到了ReLU插入之前的预测准确率

3.2阶段2:进一步稀疏化

• 在一阶段中，作者插入了ReLU来替代其他激活函数，这会导致模型down projection层的输入变稀疏
• 除了down projection层之外，transformer的解码器层中还有其他复杂的矩阵向量乘法
  • 例如注意力层中的QKV projection，这些矩阵向量乘法大约占总计算量的约 55%
  • ——>对这一部分进行二次稀疏也非常重要
• 在现代transformer层中，注意力层和 FFN 层的输入都来自归一化层（LayerNorm）
  • 这些层可以被视为 MLP 的一种特定形式，因为它们并不是学习参数，而是学习如何对输入数据进行缩放
  • ——>将ReLU接在归一化层之后来进行二阶段的稀疏激活

3.2.1 进一步稀疏化之后,模型的稀疏程度和zero-shot预测精度

对LLM的不同部位进行稀疏化后，模型的zero-shot精度变化并不明显，但是计算量的差异很大

这篇关于ReLU Strikes Back: Exploiting Activation Sparsity in Large Language Models的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---