Yang doc

app/docs/ai/MoE/MOE-intro.md

@@ -0,0 +1,140 @@
+---
+title: "MOE 浅谈"
+description: "混合专家（Mixture of Experts, MoE）架构的简要介绍"
+tags: ["MoE", "AI"]
+---
+
+# 混合专家（Mixture of Experts, MoE）架构
+
+为了在不显著增加计算需求的情况下有效扩展模型参数规模，MoE 架构已经成为一种可行的解决方案。MoE 利用一组专门化的子模型和一个门控机制，动态地选择合适的“专家网络”来处理给定输入。这使得模型能够根据需求分配计算资源，这一概念被称为 **条件计算（conditional computation）**。
+
+MoE 架构已经被广泛应用到大语言模型（LLMs）中，使这些模型能够在参数规模显著扩大的同时，获得相应的能力提升。  
+例如，Mixtral AI 提出的 **Mixtral-8x7B** 管实际激活的参数量仅有 130 亿，**在多个基准测试上表现优于或相当于 Llama-2-70B 和 GPT-3.5**。
+
+---
+
+## 传统 MoE 架构
+
+自 MoE 最早被引入 Transformer 架构以来，MoE 主要作为 **前馈网络 (FFN)** 的替代模块使用。通常情况下，MoE 层中的每个专家都直接复制了其所替换的 FFN 结构。然后配备有一个 Router 来训练具体交给哪个专家处理。
+
+![](./MOE-intro.assets/img-20250920112106486.png)
+
+MoE 主要应用于 FFN 层，而不是自注意力层，原因在于：
+
+- **注意力层**：稀疏性较低，更适用于全局交互。
+- **FFN 层**：稀疏性较高，更具有领域特性。  
+  其中 DS-MoE 使用 Wikitext 作为任务时，发现：FFN 层的专家仅有 **20%** 被激活  
+  而注意力层激活率高达 **80%**。这种高利用率表明注意力层的核心通讯机制不适用于特异化的专家。反之具有稀疏特性的 FFN 层，具有完整多专家特异化的潜力。
+
+![](./MOE-intro.assets/img-20250920112106518.png)
+
+---
+
+## Routing 机制：Dense MoE 与 Sparse MoE
+
+![](./MOE-intro.assets/img-20250920112106554.png)
+
+- **Dense MoE**
+  - gate 对于输入 token 使用 **softmax** 路由机制，传递给每个专家一定权重。
+  - 优点：训练稳定。
+  - 缺点：每次都要计算所有专家，计算成本高。
+
+- **Sparse MoE**
+  - 使用 **Top-K** 路由机制，仅激活前 K 个权重最大的专家。
+  - 优点：极大减少计算量，这是目前主流模型（如 GShard、Switch Transformer、Mixtral、DeepSeek-MoE）的策略。
+  - 缺点：Router 训练变复杂，容易出现「热门专家被频繁使用，冷门专家学不到东西」的问题 → **路由坍塌**。
+  - 解决办法：训练中需要引入额外的 **负载均衡损失**。
+
+---
+
+## 专家个数选择
+
+**GLaM (Google, 2021)** 在实验中探索了不同专家数量与 gating 策略的组合：  
+发现 **64 个专家（per layer）+ Top-2 gating** 在性能和计算效率之间达到了最佳平衡。  
+Top-2 gating 能显著提升效果，相比单一专家更稳定。并且 64 专家的配置在 **zero-shot、one-shot、few-shot** 场景下均表现优异。 所以后续的很多 MoE 工作（如 Mixtral, DBRX, DeepSeekMoE）也基本采用 ≤64 专家的规模，这个设计在实际应用中也具有参考价值。
+
+---
+
+## MoE 与 PEFT
+
+近期仍有不少工作专注于 PEFT（参数高效微调）。  
+论文 [_Pushing Mixture of Experts to the Limit: Extremely Parameter Efficient MoE for Instruction Tuning_](https://arxiv.org/abs/2309.05444) 首次提出将 **LoRA 类型的 PEFT 方法和 MoE 框架结合**。  
+其主要理念为，不直接在整个大模型上加 LoRA，而是专门在 MoE 的 expert 模块里应用 LoRA。因为 MoE 的每个专家就是 FFN（MLP），它们是知识写入的关键位置。这样每次只动一小部分 LoRA experts，并且大大增强了这种架构的易扩展性。
+
+![](./MOE-intro.assets/img-20250920112106588.png)
+
+该方法的核心思想是利用 **低秩近似更新** 来避免高级算力的微调。
+
+1. **输入 (Input → Embedding)**
+   - 输入 token（字或子词）先经过 Embedding。
+   - 这部分和普通 Transformer 一样。
+
+2. **Multi-Head Attention**
+   - 输入 embedding 进入多头注意力模块。
+   - 在这里，Q、K、V 一切正常，完全没被 LoRAMoE 改动。
+   - 输出再走 **Add & Norm**，结果传给 FFN。
+
+3. **FFN → MoE (Expert 路由)**
+   - 普通 Transformer 的 FFN 被换成 **LoRA + MoE 专家网络**。
+   - Router 根据输入选择若干专家，每个专家是 **LoRA 化（低秩适配）的模块**，而不是全量可训练的 FFN。
+   - 冻结的部分（❄️）是预训练的大模型主干。
+   - 火花（🔥）表示 LoRA Adapter（可训练参数，低秩矩阵）。
+   - Router 输出的加权组合：
+
+   $$
+   y = \sum_i \alpha_i \cdot Expert_i(x)
+   $$
+
+   其中 $\alpha_i$ 是 Router 根据输入算出来的权重。
+
+4. **输出 (Add & Norm → Residual)**
+   - Router 混合后的专家输出，和残差连接一起进入 Add & Norm，继续往后层传。
+
+---
+
+#### LoRA 拆解
+
+LoRA（Low-Rank Adaptation）的核心思想：
+
+对一个大的线性层权重 $W \in \mathbb{R}^{d_{out} \times d_{in}}$，不去训练整个矩阵，而是加上一个低秩近似更新：
+
+$$
+W' = W + \Delta W, \quad \Delta W = BA
+$$
+
+- $A \in \mathbb{R}^{r \times d_{in}}, B \in \mathbb{R}^{d_{out} \times r}$
+- 秩 $r \ll d_{in}, d_{out}$，通常只取个位数到几十
+- $W$：冻结（❄️，预训练参数）
+- $A, B$：可训练（🔥，参数量大幅减少）
+
+这样，一个输入向量 $x$ 经过 LoRA 线性层时：
+
+$$
+Wx + BAx
+$$
+
+等于 **原始主干输出 + 一个小的低秩修正**。
+
+回到该图，我们可以发现每个专家 $Expert_i$ 不是全新的大 FFN，而是 **一个 FFN 的 LoRA adapter 组合**：
+
+$$
+Expert_i(x) = B_i A_i x
+$$
+
+- Router 对输入 hidden state 计算一个分布 $\alpha$，然后加权组合：
+
+$$
+y = \sum_i \alpha_i \cdot Expert_i(x)
+$$
+
+- 最终结果再加上主干（冻结的 FFN 权重输出）：
+
+$$
+y_{final} = W_{FFN}x + \sum_i \alpha_i \cdot B_i A_i x
+$$
+
+---
+
+作者：**Yang Lewis**  
+非商业转载请标明出处。  
+商业转载请联系作者：**840691168ly@gmail.com**

app/docs/ai/compute-platforms/model-compuational-resource-demand.md

@@ -0,0 +1,193 @@
+---
+title: "算力需求指南"
+description: "如何计算训练大模型所需显存大小"
+date: "2025-09-20"
+tags:
+  - compute-platforms
+---
+
+# 大模型多卡训练笔记
+
+## 1. 单位说明
+
+1 GB = 1024 MB = 1024×1024 KB = 1024×1024×1024 Byte（字节） = 1024×1024×1024×8 Bit
+
+**参数类型与大小：**
+
+| 参数类型    | 字节数 (Byte) |
+| ----------- | ------------- |
+| FP32        | 4             |
+| FP16 / BF16 | 2             |
+| INT8        | 1             |
+| INT4        | 0.5           |
+
+---
+
+## 2. 大模型训练显存计算
+
+单卡哪怕有 80 GB 显存，也扛不住数十亿、上百亿参数的大模型全量训练。  
+权重只是一部分，梯度、优化器状态、激活都需要显存。
+
+假设模型有 **N 参数量**（例如 2B = 20 亿）：
+
+1. **权重 W**
+   - 存储方式：BF16 (2 Byte)
+   - 显存：$W = N \times 2$ Byte
+   - 例：2B 参数 → ≈ 4 GB
+
+2. **梯度 G**
+   - 存储方式：BF16 (2 Byte)
+   - 显存：$G = N \times 2$ Byte
+   - 例：2B 参数 → ≈ 4 GB
+
+3. **优化器状态（Adam）**
+   - 包含动量项 V、平方梯度 S，各自 FP32 (4 Byte)
+   - 每份 ≈ 8 GB，合计 ≈ 16 GB  
+     其中：优化器显存还需要的开销（权重梯度在训练中可能会复制很多份儿）
+   1. **权重 W**
+      - 模型本身的参数，BF16/FP16 存 2 Byte。
+
+   2. **梯度 G**
+      - 反向传播临时存储，BF16/FP16 2 Byte。
+
+   3. **优化器状态**（不同优化器差别大）：
+      - **SGD**：通常只需要梯度本身，**0份复制**。
+      - **SGDM（带动量的 SGD）**：需要一个动量向量（FP32，4 Byte）。**一份复制**
+      - **Adam/AdamW**：
+      - **一阶动量 (V)**：FP32（4 Byte）。
+      - **二阶动量 (S)**：FP32（4 Byte）。
+      - 所以是 **2 份状态**。
+
+   4. **Master 权重 ($W^A$)**
+      - 混合精度训练时常见：虽然前向/反向用 BF16，但优化器更新需要 FP32 精度 → 所以再存一份 FP32 权重。
+
+4. **Activations**
+   - 依赖 batch size、seq_len、实现细节
+   - 粗略估计：≈ 0.7–1.0 × 权重大小
+
+---
+
+## 3. 公式总表
+
+- **普通 Adam 模式：**
+
+  $W + G + W^A + V + S + 0.7W ≈ 24.8$ GB （以 2B 参数为例）
+
+- **DeepSpeed ZeRO-3 模式：**
+
+  $W + G + W^A + G^A + V + S + 0.7W ≈ 32.8$ GB
+
+说明：ZeRO-3 显存更省，但通信和 I/O 开销更大。
+
+---
+
+## 4. 实际案例：Mixtral-8×7B
+
+### 设定与常数
+
+- 架构：`d_model ≈ 4096`，`ffn_dim ≈ 14336`，每层 **8 个专家**，**32 层**，SwiGLU（gate/up/down 三个线性层）。
+- 单个专家参数量：  
+  $4096×14336×2 + 14336×4096 = 176,160,768$ ≈ **1.76×10^8**  
+  → BF16 权重 ≈ **352 MB/专家**。
+- 一层 8 专家 ≈ **2.82 GB/层**
+- 32 层合计 ≈ **90 GB（仅专家权重）**  
+  → 全专家全参训练在 **44 GB 显存**上不可能。
+
+---
+
+### 案例 A：Router-only
+
+- 路由器参数：`d_model × n_experts ≈ 4k × 8 = 32k`
+- 全 32 层 ≈ **百万级参数**
+- 开销极小（MB 级），显存主要花在 **激活**
+- 在 44 GB 上完全可行，但改进有限
+
+---
+
+### 案例 B：部分层 × 部分专家
+
+例：只训底部 **6 层**，每层 **2 专家**，同时训路由。
+
+- 可训练参数数：  
+  $6 × 2 × 176,160,768 = 2.114B$
+- 权重（BF16）：≈ 4.23 GB
+- 梯度（BF16）：≈ 4.23 GB
+- Adam 状态（V+S，FP32）：≈ 16.9 GB
+- Master 权重（FP32）：≈ 8.46 GB
+- **合计（持久内存 + 梯度）**：≈ 33.8 GB
+- 再加冻结权重占位、激活开销，44 GB 卡上需：
+  - `batch=1–2`
+  - `seq_len ≤ 1024`
+  - `use_cache=False`
+  - `gradient_checkpointing=True`
+- 可行，但需要严格控制。
+
+---
+
+### 案例 C：4-bit 全模型 + LoRA
+
+在专家 / 路由上挂 LoRA（r=16）。
+
+- 单专家 LoRA 参数：  
+  $r × (4096+14336 + 4096+14336 + 14336+4096) = r × 55296$  
+  → r=16 → 0.885M/专家
+- 每层 8 专家：7.08M
+- 32 层：226.6M LoRA 参数
+- 显存开销：
+  - 权重 ≈ 0.45 GB
+  - 梯度 ≈ 0.45 GB
+  - Adam + Master ≈ 2.72 GB
+  - 合计 ≈ 3.6 GB
+- 远低于 44 GB 显存
+
+---
+
+## 5. 并行方式
+
+### 数据并行 (DP)
+
+- 各 GPU 拷贝全模型，喂不同 batch，梯度汇总
+- 优点：简单
+- 缺点：显存浪费大
+
+### 分布式数据并行 (DDP)
+
+- 一卡一进程，梯度分桶同步
+- 优点：主流、稳定
+- 缺点：依然每卡全模型
+
+### ZeRO 优化 (DeepSpeed)
+
+- ZeRO-1：拆优化器状态
+- ZeRO-2：再拆梯度
+- ZeRO-3：连参数也拆
+- 优点：显存省
+- 缺点：通信复杂
+
+### 模型并行
+
+- **张量并行 (TP)**：矩阵切块
+- **流水并行 (PP)**：层切片，像传送带
+- **MoE 并行**：专家分散在不同卡，token 激活部分专家
+
+---
+
+## 6. 踩坑经验
+
+- 显存碎片化：  
+  `PYTORCH_CUDA_ALLOC_CONF=expandable_segments:True`  
+  （需在 `import torch` 前设置）
+- 通信库：  
+  NCCL > Gloo > MPI（除非特殊环境）
+- DDP：必须同步 random seed
+- eval：
+  - eval_mb_size 可大
+  - 训练 batch 小 + 梯度累积
+  - 关掉 `model.config.use_cache`
+- device = "auto": HF 会自动根据你机器的显存大小，把模型的不同部分切片分布,对于大模型，比如 7B，在单卡 44 GB 上：通常 attention + embedding + 部分 FFN 会放 GPU,冻结的模块、或者用不到的专家 (MoE inactive experts) 可以被放到 CPU。这个参数对推理来说自动分配还是很好的，但是训练的话**需要梯度的参数**必须常驻 GPU，否则每次 forward/backward 都要把参数搬上来，通信成本爆炸。所以，**device_map=auto 对训练不总是安全**，因为它可能把你要训练的层塞到 CPU 去，导致速度慢甚至无法训练。
+
+---
+
+作者：**Yang Lewis**  
+非商业转载请标明出处。  
+商业转载请联系作者：**840691168ly@gmail.com**