新闻详情

新闻详情

首页 / 资讯中心 / 详情

MoE就是复制的mlp;gate 训练就是谁答的好久分给谁奖励

发布时间:2026/11/16 2:43:49来源:尧图网络
MoE就是复制的mlp;gate 训练就是谁答的好久分给谁奖励
MoE-MLP 完整流转(输入→门控选专家→专家计算→输出)目录MoE-MLP 完整流转(输入→门控选专家→专家计算→输出)一、先固定:几个专家、选几个(人工超参,不是模型决定)二、内部逐层流转(一个token,从输入到输出)步骤1:Gate门控打分(核心,一个线性层)步骤2:softmax转概率步骤3:选Top-K(这里K=2)步骤4:只把x送进选中的专家(每个专家就是你截图的MLP)步骤5:按Gate概率加权合并 → 最终输出关键:Gate怎么"学会"选哪个专家Gate 为什么能打分?关键:每个专家在Gate里有一列专属权重用最小数字演示(d=2,2个专家)为什么点积能衡量"匹不匹配"这套"模板"哪来的专家分工是怎么来的?分工靠一个"正反馈"循环每层Gate权重都不一样为什么不统一两个辅助机制为什么能分开MoE 放在哪一层?Gate 权重怎么训练?梯度怎么传回来(关键)直觉例子(一个中文token)还有第二股梯度:负载均衡loss更新公式(和普通训练一样)MoE就是把这1套MLP复制成N份(N个专家),再加1个Gate门控。一、先固定:几个专家、选几个(人工超参,不是模型决定)这两个数字训练前写死,模型不会自己变:num_experts:总专家数,比如8个(专家E0~E7,每个都是你截图里那套 w1+gelu+w2 的MLP)top_k:每个token激活几个专家,比如Top2(Switch Transformer是Top1)专家数量 = 代码配置,不是MLP算出来的;门控只负责"从N个里挑哪K个"。二、内部逐层流转(一个token,从输入到输出)设:隐藏维d=4,8个专家,Top2,输入token向量x = [ 0.1 , 0.2 , 0
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/15 4:54:16

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/15 2:04:12

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/14 10:11:15

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/16 6:47:19

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/14 16:35:50

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/15 4:06:36

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉