【人工智能】多目标融合算法（三）：混合专家网络MOE（Mixture-of-Experts）
目录
1.2 技术洞察—MoE（Mixture-of-Experts，混合专家网络）
二、MoE（Mixture-of-Experts，混合专家网络）
一、引言
经历了大模型2024一整年度的兵荒马乱，从年初的Sora文生视频到MiniMax顿悟后的开源，要说年度最大赢家，当属deepseek莫属：年中，deepseek-v2以其1/100的售价，横扫包括gpt4、qwen、百度等一系列商用模型；年底，deepseek-v3发布，以MoE为核心的专家网络技术，让其以极低的推理成本，获得了媲美gpt-4o的效果。
1.1 本篇文章侧重点
本篇文章作为年度技术洞察类文章，今天的重点不是deepseek的训练与推理，如果对训练和推理感兴趣，我在年中写过一篇训练与推理的实战，其中详细讲述了DeepSeek-V2大模型的训练和推理，详细可点击：AI智能体研发之路-模型篇（二）：DeepSeek-V2-Chat 训练与推理实战（只需将V2替换为V3，即可体验最新版本deepseek）。今天的重点是更深一个层次，带大家代码级认识MoE混合专家网络技术。
1.2 技术洞察—MoE（Mixture-of-Experts，混合专家网络）
MoE（Mixture-of-Experts） 并不是一个新词，近7-8年间，在我做推荐系统精排模型过程中，业界将MoE技术应用于推荐系统多任务学习，以MMoE（2018，google）、PLE（2020，腾讯）为基石，通过门控网络为多个专家网络加权平均，定义每个专家的重要性，解决多目标、多场景、多任务等问题。近1-2年间，基于MoE思想构建的大模型层出不穷，通过路由网络对多个专家网络进行选择，提升推理效率，经典模型有DeepSeekMoE、Mixtral 8x7B、Flan-MoE等。
万丈高楼平地起，今天我们不聊空中楼阁，而是带大家实现一个MoE网络，了解MoE代码是怎么构建的，大家可以以此代码为基础，继续垒砖，根据自己的业务场景，创新性的构建自己的专家网络。
二、MoE（Mixture-of-Experts，混合专家网络）
2.1 技术原理
MoE（Mixture-of-Experts）全称为混合专家网络，主要由多个专家网络、多个任务塔、门控网络构成。核心原理：样本数据分别输入num_experts个专家网络进行推理，每个专家网络实际上是一个前馈神经网络（MLP），输入维度为x，输出维度为output_experts_dim；同时，样本数据输入门控网络，门控网络也是一个MLP（可以为多层，也可以为一层），输出为num_experts个experts专家的概率分布，维度为num_experts（菜用softmax将输出归一化，各个维度加起来和为1）；将每个专家网络的输出，基于gate门控网络的softmax加权平均，作为Task的输入，所以Task的输入统一维度均为output_experts_dim。在每次反向传播迭代时，对Gate和num_experts个专家参数进行更新，Gate和专家网络的参数受任务Task A、B共同影响。
专家网络：样本数据分别输入num_experts个专家网络进行推理，每个专家网络实际上是一个前馈神经网络（MLP），输入维度为x，输出维度为output_experts_dim。门控网络：样本数据输入门控网络，门控网络也是一个MLP（可以为多层，也可以为一层），输出为num_experts个experts专家的概率分布，维度为num_experts（菜用softmax将输出归一化，各个维度加起来和为1）。任务网络：将每个专家网络的输出，基于gate门控网络的softmax加权平均，作为Task的输入，Task的输入统一维度均为output_experts_dim。
2.2 技术优缺点
相较于传统的DNN网络，MoE的本质是通过多个专家网络对预估任务共同决策，引入Gate作为专家的裁判，给每一个专家打分，判定哪个专家更加权威。（DeepSeekMoE的Router与Gate类似，区别是Gate为每一个专家赋分，加权平均，Router对专家进行选择，推理速度更快）。相较于传统的DNN网络：
优点：多个DNN专家网络投票共同决定推理结果，相较于单个DNN网络泛化性更好，准确率更高。Gate网络基于多个Task任务进行反馈收敛，可以学到多个Task任务数据的平衡性。
缺点： 朴素的MoE仅使用了一个Gate网络，虽然Gate网络由多个Task任务共同收敛学习得到，具有一定的平衡性，但对于每个Task的个性化能力仍然不足。（Google针对此缺点发布了MMoE）底层多个专家网络均为共享专家，输入均为样本数据，参数的差异主要由初始化的不同得到，并不具备特异性。（腾讯针对此缺点发布了PLE）输入Input均为全部样本数据，学不出不同场景任务的差异性，需要在输入层对场景特征进行拆分（阿里针对此缺点发布了ESMM）
2.3 业务代码实践
2.3.1 业务场景与建模
我们仍然以小红书推荐场景为例，用户在一级发现页场景中停留并点击了“误杀3”中的一个视频笔记，在二级场景视频播放页中观看并点赞了视频。
我们构建一个100维特征输入，4个experts专家网络，2个task任务的，1个门控的MoE网络，用于建模跨场景多任务学习问题，模型架构图如下：
如架构图所示，其中有几个注意的点：
num_experts：门控gate的输出维度和专家数相同，均为num_experts，因为gate的用途是对专家网络最后一层进行加权平均，gate维度与专家数是直接对应关系。output_experts_dim：专家网络的输出维度和task网络的输入维度相同，task网络承接的是专家网络各维度的加权平均值，experts网络与task网络是直接对应关系。Softmax：Gate门控网络对最后一层采用Softmax归一化，保证专家网络加权平均后值域相同
2.3.2 模型代码实现
基于pytorch，实现上述网络架构，如下：
import torch import torch.nn as nn import torch.optim as optim from torch.utils.data import DataLoader, TensorDataset class MoEModel(nn.Module): def __init__(self, input_dim, experts_hidden1_dim, experts_hidden2_dim, output_experts_dim, task_hidden1_dim, task_hidden2_dim, output_task1_dim, output_task2_dim, gate_hidden1_dim, gate_hidden2_dim, num_experts): super(MoEModel, self).__init__() self.num_experts = num_experts self.output_experts_dim = output_experts_dim # 初始化多个专家网络 self.experts = nn.ModuleList([ nn.Sequential( nn.Linear(input_dim, experts_hidden1_dim), nn.ReLU(), nn.Linear(experts_hidden1_dim, experts_hidden2_dim), nn.ReLU(), nn.Linear(experts_hidden2_dim, output_experts_dim), nn.ReLU() ) for _ in range(num_experts) ]) # 定义任务1的输出层 self.task1_head = nn.Sequential( nn.Linear(output_experts_dim, task_hidden1_dim), nn.ReLU(), nn.Linear(task_hidden1_dim, task_hidden2_dim), nn.ReLU(), nn.Linear(task_hidden2_dim, output_task1_dim), nn.Sigmoid() ) # 定义任务2的输出层 self.task2_head = nn.Sequential( nn.Linear(output_experts_dim, task_hidden1_dim), nn.ReLU(), nn.Linear(task_hidden1_dim, task_hidden2_dim), nn.ReLU(), nn.Linear(task_hidden2_dim, output_task2_dim), nn.Sigmoid() ) # 初始化门控网络 self.gating_network = nn.Sequential( nn.Linear(input_dim, gate_hidden1_dim), nn.ReLU(), nn.Linear(gate_hidden1_dim, gate_hidden2_dim), nn.ReLU(), nn.Linear(gate_hidden2_dim, num_experts), nn.Softmax(dim=1) ) def forward(self, x): # 计算输入数据通过门控网络后的权重 gates = self.gating_network(x) #print(gates) batch_size, _ = x.shape task1_inputs = torch.zeros(batch_size, self.output_experts_dim) task2_inputs = torch.zeros(batch_size, self.output_experts_dim) # 计算每个专家的输出并加权求和 for i in range(self.num_experts): expert_output = self.experts[i](x) task1_inputs += expert_output * gates[:, i].unsqueeze(1) task2_inputs += expert_output * gates[:, i].unsqueeze(1) task1_outputs = self.task1_head(task1_inputs) task2_outputs = self.task2_head(task2_inputs) return task1_outputs, task2_outputs # 实例化模型对象 num_experts = 4 # 假设有4个专家 experts_hidden1_dim = 64 experts_hidden2_dim = 32 output_experts_dim = 16 gate_hidden1_dim = 16 gate_hidden2_dim = 8 task_hidden1_dim = 32 task_hidden2_dim = 16 output_task1_dim = 3 output_task2_dim = 2 # 构造虚拟样本数据 torch.manual_seed(42) # 设置随机种子以保证结果可重复 input_dim = 10 num_samples = 1024 X_train = torch.randint(0, 2, (num_samples, input_dim)).float() y_train_task1 = torch.rand(num_samples, output_task1_dim) # 假设任务1的输出维度为5 y_train_task2 = torch.rand(num_samples, output_task2_dim) # 假设任务2的输出维度为3 # 创建数据加载器 train_dataset = TensorDataset(X_train, y_train_task1, y_train_task2) train_loader = DataLoader(train_dataset, batch_size=128, shuffle=True) model = MoEModel(input_dim, experts_hidden1_dim, experts_hidden2_dim, output_experts_dim, task_hidden1_dim, task_hidden2_dim, output_task1_dim, output_task2_dim, gate_hidden1_dim, gate_hidden2_dim, num_experts) # 定义损失函数和优化器 criterion_task1 = nn.MSELoss() criterion_task2 = nn.MSELoss() optimizer = optim.Adam(model.parameters(), lr=0.001) # 训练循环 num_epochs = 100 for epoch in range(num_epochs): model.train() running_loss = 0.0 for batch_idx, (X_batch, y_task1_batch, y_task2_batch) in enumerate(train_loader): # 前向传播: 获取预测值 #print(batch_idx, X_batch ) #print(f'Epoch [{epoch+1}/{num_epochs}-{batch_idx}], Loss: {running_loss/len(train_loader):.4f}') outputs_task1, outputs_task2 = model(X_batch) # 计算每个任务的损失 loss_task1 = criterion_task1(outputs_task1, y_task1_batch) loss_task2 = criterion_task2(outputs_task2, y_task2_batch) total_loss = loss_task1 + loss_task2 # 反向传播和优化 optimizer.zero_grad() total_loss.backward() optimizer.step() running_loss += total_loss.item() if epoch % 10 == 0: print(f'Epoch [{epoch+1}/{num_epochs}], Loss: {running_loss/len(train_loader):.4f}') print(model) for param_tensor in model.state_dict(): print(param_tensor, "\t", model.state_dict()[param_tensor].size()) # 模型预测 model.eval() with torch.no_grad(): test_input = torch.randint(0, 2, (1, input_dim)).float() # 构造一个测试样本 pred_task1, pred_task2 = model(test_input) print(f'一级场景预测结果: {pred_task1}') print(f'二级场景预测结果: {pred_task2}')2.3.3 模型训练与推理测试
运行上述代码，模型启动训练，Loss逐渐收敛，测试结果如下：
2.3.4 打印模型结构
使用print(model)打印模型结构如下
三、总结
本文代码级脚踏实地讲解了DeepSeek大模型、MMoE推荐模型中的MoE（Mixture-of-Experts）技术，该技术的主要思想是通过门控（gate）或路由（router）网络，对多个专家进行加权平均或筛选，将一个DNN网络裂变为多个DNN网络后，投票决定预测结果，相较于单一的DNN网络，具有更强的容错性、泛化性与准确性，同时可以提高推理速度，节省推理资源。
技术洞察结论：MoE技术未来将成为大模型和推荐系统进一步突破的关键技术，个人认为该技术为2024年算法基础技术中的SOTA，但其实并没有那么神秘，通过本篇文章，可以试着动手实现一个MoE，再基于自己的业务场景，对齐专家网络、门控网络、任务网络进行创新，期待本篇文章对您有帮助！
如果您还有时间，欢迎阅读本专栏的其他文章：
