mixture-of-experts

mixture-of-experts

稀疏门控专家混合模型的Pytorch实现

基于Pytorch实现的稀疏门控专家混合模型,可以在保持计算量不变的情况下大幅增加语言模型的参数量。项目参考了TensorFlow的实现,并进行了增强。还包含ST Mixture of Experts的使用指南,安装和使用示例,以及自定义专家网络的支持。

Sparsely Gated Mixture of ExpertsPytorch语言模型计算参数Github开源项目

Mixture of Experts 项目介绍

项目概况

Mixture of Experts(MoE)是一个基于Pytorch框架的项目,旨在通过稀疏门控技术(Sparsely Gated)大幅提高语言模型的参数容量,同时保持计算量不变。该项目主要是对Tensorflow实现版本的逐行转换,并加以若干增强。项目推介使用ST Mixture of Experts作为其延续和更新。

安装指南

用户可以通过如下简单的命令安装Mixture of Experts:

$ pip install mixture_of_experts

使用方法

用户可以通过以下简单的Python代码来实现MoE模型:

import torch from torch import nn from mixture_of_experts import MoE moe = MoE( dim = 512, num_experts = 16, hidden_dim = 512 * 4, activation = nn.LeakyReLU, second_policy_train = 'random', second_policy_eval = 'random', second_threshold_train = 0.2, second_threshold_eval = 0.2, capacity_factor_train = 1.25, capacity_factor_eval = 2., loss_coef = 1e-2 ) inputs = torch.randn(4, 1024, 512) out, aux_loss = moe(inputs)

这些设置足以在单台机器上运行,但如果需要实现一个两级分层专家模型,可以参考以下代码:

import torch from mixture_of_experts import HeirarchicalMoE moe = HeirarchicalMoE( dim = 512, num_experts = (4, 4) ) inputs = torch.randn(4, 1024, 512) out, aux_loss = moe(inputs)

实现更大规模参数模型

用户还可以通过调整专家数量来实现更复杂的模型,例如一个具有10亿参数的网络:

import torch from mixture_of_experts import HeirarchicalMoE moe = HeirarchicalMoE( dim = 512, num_experts = (22, 22) ).cuda() inputs = torch.randn(1, 1024, 512).cuda() out, aux_loss = moe(inputs) total_params = sum(p.numel() for p in moe.parameters()) print(f'number of parameters - {total_params}')

自定义专家网络

如果用户希望为模型定义更复杂的专家网络,那么可以创建自己的网络,并将其传递给MoE类:

import torch from torch import nn from mixture_of_experts import MoE class Experts(nn.Module): def __init__(self, dim, num_experts = 16): super().__init__() self.w1 = nn.Parameter(torch.randn(num_experts, dim, dim * 4)) self.w2 = nn.Parameter(torch.randn(num_experts, dim * 4, dim * 4)) self.w3 = nn.Parameter(torch.randn(num_experts, dim * 4, dim)) self.act = nn.LeakyReLU(inplace = True) def forward(self, x): hidden1 = self.act(torch.einsum('end,edh->enh', x, self.w1)) hidden2 = self.act(torch.einsum('end,edh->enh', hidden1, self.w2)) out = torch.einsum('end,edh->enh', hidden2, self.w3) return out experts = Experts(512, num_experts = 16) moe = MoE( dim = 512, num_experts = 16, experts = experts ) inputs = torch.randn(4, 1024, 512) out, aux_loss = moe(inputs)

通过这种方式,用户可以根据具体需求调整和优化模型,以适应不同的应用场景和研究方向。

编辑推荐精选

openai-agents-python

openai-agents-python

OpenAI Agents SDK,助力开发者便捷使用 OpenAI 相关功能。

openai-agents-python 是 OpenAI 推出的一款强大 Python SDK,它为开发者提供了与 OpenAI 模型交互的高效工具,支持工具调用、结果处理、追踪等功能,涵盖多种应用场景,如研究助手、财务研究等,能显著提升开发效率,让开发者更轻松地利用 OpenAI 的技术优势。

Hunyuan3D-2

Hunyuan3D-2

高分辨率纹理 3D 资产生成

Hunyuan3D-2 是腾讯开发的用于 3D 资产生成的强大工具,支持从文本描述、单张图片或多视角图片生成 3D 模型,具备快速形状生成能力,可生成带纹理的高质量 3D 模型,适用于多个领域,为 3D 创作提供了高效解决方案。

3FS

3FS

一个具备存储、管理和客户端操作等多种功能的分布式文件系统相关项目。

3FS 是一个功能强大的分布式文件系统项目,涵盖了存储引擎、元数据管理、客户端工具等多个模块。它支持多种文件操作,如创建文件和目录、设置布局等,同时具备高效的事件循环、节点选择和协程池管理等特性。适用于需要大规模数据存储和管理的场景,能够提高系统的性能和可靠性,是分布式存储领域的优质解决方案。

TRELLIS

TRELLIS

用于可扩展和多功能 3D 生成的结构化 3D 潜在表示

TRELLIS 是一个专注于 3D 生成的项目,它利用结构化 3D 潜在表示技术,实现了可扩展且多功能的 3D 生成。项目提供了多种 3D 生成的方法和工具,包括文本到 3D、图像到 3D 等,并且支持多种输出格式,如 3D 高斯、辐射场和网格等。通过 TRELLIS,用户可以根据文本描述或图像输入快速生成高质量的 3D 资产,适用于游戏开发、动画制作、虚拟现实等多个领域。

ai-agents-for-beginners

ai-agents-for-beginners

10 节课教你开启构建 AI 代理所需的一切知识

AI Agents for Beginners 是一个专为初学者打造的课程项目,提供 10 节课程,涵盖构建 AI 代理的必备知识,支持多种语言,包含规划设计、工具使用、多代理等丰富内容,助您快速入门 AI 代理领域。

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表

爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型,支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。

下拉加载更多