谷歌终于更新了Transformer架构。
最新发布的Mixture-of-Depths（MoD），改变了以往Transformer计算模式。
它通过动态分配大模型中的计算资源，跳过一些不必要计算，显著提高训练效率和推理速度。
结果显示，在等效计算量和训练时间上，MoD每次向前传播所需的计算量更小，而且后训练采样过程中步进速度提高50%。
这一方法刚刚发布，就马上引发关注。
MoE风头正盛，MoD已经来后浪拍前浪了？
所以MoD如何实现？
迫使大模型关注真正重要信息
这项研究提出，现在的大模型训练和推理中，有很多计算是没必要的。
比如预测下一个句子很难，但是预测句子结束的标点符号很简单。如果给它们分配同样的计算资源，那么后者明显浪费了。
在理想情况下， 模型应该只给需要准确预测的token分配更多计算资源。
所以研究人员提出了MoD。
它在输入序列中的特定位置动态分配FLOPs（运算次数或计算资源），优化不同层次的模型深度中的分配。
通过限制给定层的自注意力和MLP计算的token数量，迫使神经网络学会主要关注真正重要的信息。
因为token数量是事先定义好的，所以这个过程使用一个已知张量大小的静态计算图，可以在时间和模型深度上动态扩展计算量。
下图右上图中的橙色部分，表示没有使用全部计算资源。
这种方法在节省计算资源的同时，还能提高效率。
这些模型在等效的FLOPS和训练时间上与基线性能相匹配，但每次前向传播所需的FLOP更少，并且在训练后采样时提速50%。
对比来看，如果为每一个token生成一个概率分布，每个token根据最高概率被送去对应的“专家”，可能会导致负载不平衡。
如果反过来，这能保障负载平衡，但是可能导致某些token被过度处理或处理不足。
最后来看论文中使用的Expert-choice MoD，router输出的权重被用于确定哪些token将使用transformer亏啊计算。权重较大的token将参与计算，权重较小的token将通过残差连接绕过计算，从而解决每次向前传播的FLOPs。
最后，研究团队展示了MoD在不同实验中的性能表现。
首先，他们使用相对较小的FLOP预算（6e18），以确定最佳超参数配置。
通过这些实验，作者发现MoD方法能够“拉低并向右推移”isoFLOP基线曲线，这意味着最优的MoD方法在更低的损失水平上拥有更多的参数。
通过isoFLOP分析，比较6e18、2e19和1e20 FLOPs的总计算预算下的模型性能。
结果显示，在更多FLOP预算下，FLOP最优的MoD仍然比基线模型有更多的参数。
存在一些MoD变体，在步骤速度上比isoFLOP最优基线模型更快，同时实现更低的损失。这表明在训练之外，MoD的计算节省仍然有效。
同时，研究团队还探讨了MoD和MoE结合的可能性——MoDE。
结果表明而这结合能提供更好的性能和更快的推理速度。
网友：联想到了ResNet
MoD推出后马上引发了不小关注。
有人感慨，MoE还没有弄清楚呢，MoD都已经来了！
这么高效的方法，让人马上联想到了ResNet。
不过和ResNet不同，MoD跳过连接是完全绕过层的。
还有人表示，希望这种方法是完全动态的，而不是每个层固定百分比。
这项研究由DeepMind和麦吉尔大学共同带来。
主要贡献者是David Raposo和Adam Santoro。
他们二人都是DeepMind的研究科学家。此前共同带来了神作《Relational inductive biases, deep learning, and graph networks》。
这篇论文目前被引次数超过3500次，论文核心定义了Inductive bias（归纳偏置）概念。
