150亿！谷歌发布史上最大视觉模型V-MoE，却最有希望减少碳排放？

近日，土豪Google AI继之前发布的20亿参数的ViT-G/14模型之后，又发布了参数量为150亿的视觉模型V-MoE，这可以称得上迄今为止最大的视觉模型，其在ImageNet上的Top-1 accuracy达到90.35%，这个也超过之前Google提出的Meta Pseudo-Labelling (MPL)（注意这里ViT-G/14模型的训练成本只有MPL的70%左右），但是略低于ViT-G/14模型。

MPL模型是基于半监督和JFT-300M，而ViT-G/14模型是基于ViT和JFT-3B来实现更好的效果。这次Google提出的V-MoE核心设计是Sparse Mixture of Experts，这其实是一个稀疏模型（sparse model），这个也是借鉴了NLP领域已有的成果，即实现视觉领域的稀疏模型V-MoE，其模型结构如下图所示：

可以看到V-MoE也是在ViT基础上构建的，都包含个同质的ViT模块，这里最大的变动是将transformer模块里面的MLP替换成一些列的MLPs，每个MLP放在一个单独的device上，只负责处理固定数量的tokens（或者说是image patchs），每个MLP可以看成一个expert，替换后的layer这里称为MoE layer。在处理上，每个图像的每个token在每个MoE层只有个expert来负责处理它，图中的，这样其实每个token只不过经过一个MLP的处理。对一个图像来说，虽然V-MoE模型很大，但是只用了V-MoE模型的很小一部分来处理，所以说这是一个稀疏模型。具体地，每个MoE层可以用以下公式表示：

这里的是输入token，特征维度为，而就是第个expert，即一个2层MLP，这里的就是计算各个experts的权重系数（是expert的总数）。所以MoE这样看起来是一种模型集成，但是实际上这里要限制每个token的experts数量为，只需要使只有个权重值非零，其它值全为零即可。这样就是变成了一个选址函数（routing function)，具体实现为：

这里的操作指的是只选择前个较大的，其它的权重全置为0，论文中的或者，而对于权重为0的expert其实我们也不需要计算，所以虽然模型参数量很大，但是计算开销并不会太大，当时只增加了Router带来的开销。

对于稀疏模型来说，一个挑战是模型最终有效的可能其中的一小部分expert，或者说大部分tokens只选择了其中几个experts，这会导致稀疏模型近似等价于一个dense模型，稀疏模型的大容量没有利用好，而且计算上也不均衡。那么解决方案就是限制每个expert在训练过程中的处理能力：所能处理的tokens的最大量，这里称为buffer capacity，记为。假定训练过程的图像总数为，每个图像的patchs总数为，那么可以计算容量比（capacity ratio）：

上图中给的实例。当时，这意味着所有experts的容量是用不完的，这个时候会出现前面说的不平衡问题，论文中额外增加了一个辅助loss（load balancing losses）来避免这种问题，在上游训练或者预训练过程中（upstream training），有必要选择大于1的容量以更好地迁移到下游任务中（需要finetune），论文中设定的是。当时，这意味着所有experts的容量是不够的，那么就有一部分token无法被处理，或者说一些token被drop掉了，其实MLP本身就带有残差结构，所以只相当于少了一个MLP的处理，另外时也会减少每个token都不被处理的概率。论文中在下游任务finetune时采用，这个时候有一个问题，就是选择留下哪些tokens来处理，传统的做法是序列地处理每个图像的tokens直到容量用尽，由于图像的tokens顺序是固定的，这对后面的tokens就不太好。论文中提出的方案是Batch Prioritized Routing （BPR)，就是先确定各个tokens的重要性，再按这个顺序来处理tokens：

下图是图像的tokens在不同的下在第一个MoE层被drop的情况：

设定较小的那么模型的训练成本就可以降低，比如下图基于BPR的V-MoE-L/32 (k=2)在时在性能上就超过原始的Dense ViT-L/32，而此时的训练所需要的FLOPS，前者只有后者的不到90%。

同时inference time也可以减少，如V-MoE-L/16只需要dense VIT-H/14一半的推理时间，但性能前者还稍好于后者：

虽然V-MoE参数量更大，但是由于是稀疏的，其实训练和推理的成本反而会更好一点：

This has interesting connotations for recent work in NLP using sparse models; recent analysis shows model sparsity is the most promising way to reduce model CO2 emissions [46] and that 90% of the footprint stems from inference costs.