模型详解配置

构建大模型需要考虑的因素归一化方法、位置编码、激活函数、注意力计算

层数L、注意力头数N、特征维度N

归一化方法

为什么要做归一化?

• 不同特征在空间中的尺度不同，对损失优化的影响不一致
  特征尺度差异会导致损失函数各方向的梯度下降速度不同。尺度大的特征梯度更新剧烈，迫使模型花费更多迭代次数调整其他特征权重，降低优化效率。

• 提升训练稳定性，加速模型收敛
  归一化使所有特征处于相近的数值范围（如[0,1]或[-1,1]）。这使优化路径更平滑，梯度更新方向更稳定，减少震荡风险，从而加快模型收敛速度。

方法

归一化模块位置

层后归一化(Post-Layer Normalization, Post-Norm)

定义 （归一化模块放置于残差计算之后）

优点

• 加快训练收敛速度
• 防止梯度爆炸或梯度消失
• 降低神经网络对于超参数的敏感性

缺点

• 可能导致训练不稳定
• 目前较少单独使用

层前归一化(Pre-Layer Normalization, Pre-Norm)

定义 （归一化模块应用在每个子层之前）

优点

• 训练更加稳定
• 主流模型采用较多

缺点

• 性能略有逊色

夹心归一化(Sandwich-Norm)

定义 （通过双重归一化叠加：在子层前和子层后各加一次归一化）

核心特性

• Pre-Norm与Post-Norm的复合结构
• 归一化逻辑：输入 → 首次归一化 → Sublayer计算 → 二次归一化 → 残差连接

优势

• 理论上融合Pre-Norm的稳定性与Post-Norm的性能增益
• 梯度调节能力更强（双重归一化约束）

局限性

• 计算开销显著增加（额外归一化层）
• 仍存在训练震荡风险
• 实际应用较少，多见于理论研究

位置编码

绝对位置编码代表性的是旋转位置编码

绝对位置编码：旋转位置编码

相对位置编码：ALiBi位置编码

激活函数

注意力计算

对硬件优化

MOE模型

举例： deepseek、Mixtral

目的是在不显著提升计算成本的同时实现对于模型参数的扩展。

混合专家架构(Mixture-of-Experts, MoE)

核心定义
$$ \text{MoELayer}(x_t) = \sum_{i=1}^{K} G(x_t)_i \cdot E_i(x_t)
$$ 其中路由函数：
$$ G(x_t) = \text{softmax}(\text{topk}(x_t \cdot W_G))
$$

基本组成

1. 专家组件

   • $K$个独立的前馈神经网络 ${E_1, E_2, ..., E_K}$
   • 每个专家具备相同网络结构，参数不同

2. 路由网络

   • $W_G$：权重矩阵（将输入词元$x_t$映射为$K$维得分向量）
   • $\text{topk}$：选择得分最高的$k$个专家（通常$k \ll K$）
   • $\text{softmax}$：归一化获得激活权重（未选中专家权重置$0$）

运行流程
输入词元 → 路由计算→ 筛选topk专家→ 专家并行计算→ 加权输出求和

核心优势

• 稀疏激活：仅计算部分专家输出（节省计算资源）
• 超参扩容：通过增加专家数$K$提升模型容量（计算量仅由$k$决定）
• 动态适配：根据输入特性自动分配处理专家

显著局限

• 路由决策不可导（需直通估计器技巧）
• 专家负载不均衡风险（需引入辅助损失）
• 通信开销大（分布式训练时专家间数据交换）

常用