AI大模型并非越大越好？全面解析模型“瘦身”技术方案

ChatGPT 带动了全球大模型热潮，互联网公司陷入“百模大战”，甚至出现了“内卷”：各家公司发布的大模型一个比一个大，参数规模成了宣传噱头，几乎都在百亿、千亿甚至万亿以上。 

然而，也有人提出这种现状并非可持续的发展方式。OpenAI 创始人 Sam Altman 称 GPT-4 的开发成本突破了一亿美元，Analytics India Magazine 发布的报告显示, OpenAI 每天将花费约 70 万美元来运行其人工智能服务 ChatGPT。同时，LLM 也会引起人们对电力消耗的担忧，谷歌报告称，培训 PaLM 在大约两个月内耗费了大约 3.4 千瓦时，相当于大约 300 个美国家庭每年的能源消耗量。 

因此，随着模型规模的不断增大，HuggingFace 首席布道师 Julien Simon 却说“Smaller is better”。事实上，在参数规模达到一定程度后，再增加参数往往对模型效果的提升并不明显，从实用性和经济性来考虑，模型“瘦身”是一项必然的选择，因为相对于庞大的参数规模所带来的递减边际效益，巨大的资源消耗成本往往不值得。而且，大模型因规模太大将在应用上产生诸多问题，比如无法部署在边缘设备上，只能以云的形式向用户提供服务，然而很多时候，我们需要将模型部署在边缘节点，以提供用户个性化服务。 

如果要继续改进 AI 模型，开发者将需要解决如何以更少的资源实现更高性能的问题。无论是在学术界还是在工业界，大模型压缩一直是一个热门领域，目前也有很多技术在做。本文简单介绍四种常见的模型压缩手段：量化、剪枝、参数共享和知识蒸馏，帮助大家对模型压缩方法有一个直观的了解。

如果我们把模型比作一个“水桶”，把数据比作“苹果”，把数据中含有的信息比作“苹果汁”，那么训练大模型的过程，就可以理解为用水桶装苹果汁的过程。苹果越多，苹果汁就越多，我们也需要更大的水桶来盛放苹果汁。大模型的出现就犹如我们造出了更大的水桶，从而有更大的能力装足够的苹果汁。 

如果苹果太多，苹果汁太多，就会导致“溢出”，也就是模型规模太小，无法学习到数据集中所有的知识，我们称这种情况为“欠拟合”，即模型无法学习到真实的数据分布；如果苹果太少，苹果汁太少，就会导致“装不满”。如果通过增加模型训练时长来“强行榨汁”装满水桶，就会导致果汁中杂质增多，从而出现模型性能下降，我们称这种情况为“过拟合”，即模型过分学习数据导致的通用性下降。因此，模型规模与数据规模的匹配是非常重要的。

以上例子虽然形象，但容易产生一种误解：一升水桶能装一升苹果汁，两升水桶就能装两升（如①）。但实际上，参数所能容纳的信息并不随参数规模线性增加，而是趋于一种“边际递减”的增长（如②③）。

换句话说，大模型所表现出的超凡能力，是因为学到了很多“细节性知识”，而且花在“细节性知识”上的参数数量庞大。当我们已经学到数据中大部分知识的时候，再继续学习更多的细节知识，就需要增设更多的参数。如果我们肯牺牲一些精度，忽略掉部分细节性信息，或者将识别细节性信息的参数进行裁剪，就可以将参数规模降低很多，而这正是学术界和工业界模型瘦身的理论基础和核心思路。

 

这种方法的理论基础，是在量化派中存在的一个共识：复杂的、高精度的模型在训练时是必要的，因为我们需要在优化时捕捉微小的梯度变化，然而在推理时并没有必要，因此量化可以做到只降低模型占用空间而不过于降低推理能力。

大模型规模庞大，结构复杂，内部参杂着大量作用微小甚至无用的参数和结构。如果我们能尽可能精确锁定无用之处，将其剔除，那么也能够在保证功能的同时降低模型的规模。

在大多数神经网络中，通过对网络层（卷积层或者全连接层）权重数值进行直方图统计，可以发现，训练后的权重数值分布近似正态分布或多正态分布的混合，接近于 0 的权重相对较多，这就是“权重稀疏”现象。 

权重数值的绝对值大小可以看作重要性的一种度量，权重数值越大对模型输出贡献也越大，反之则不重要，删去后对模型精度的影响也比较小。

同时，在深度网络中，存在着大量难以激活的神经元。论文《Network Trimming: A Data-Driven Neuron Pruning Approach towards Efficient Deep Architectures》经过了一些简单的统计，发现无论输入什么样图像数据，CNN 中的许多神经元都具有非常低的激活。作者认为，零神经元很可能是冗余的，可以在不影响网络整体精度的情况下将其移除。我们称这种情况为“激活稀疏”。

因此，针对神经网络上述特点，我们可以针对不同的结构进行裁剪优化，从而减小模型的规模。

 

在技术领域，我们通常用 PCA 算法进行降维，寻找高维数组在低维的映射。如果我们寻找到模型参数矩阵的低维映射，则可实现保证性能的同时降低参数量。

目前已经有多种参数共享的方法，比如对权重进行 K-means 聚类，以及采用哈希方法随机分类，然后对同一组的权值进行处理等。

前三种方法或多或少都改变了原有模型的参数或结构，而知识蒸馏则相当于重新训练了一个规模较小的模型，因此相比其他方法来讲更能保全原有模型的功能，只是损失了部分精度。

https://blog.csdn.net/shentanyue/article/details/83539359

https://zhuanlan.zhihu.com/p/102038521 

https://arxiv.org/abs/1607.03250 

https://arxiv.org/abs/1806.09228

https://arxiv.org/abs/1504.04788

版权声明：如需转载欢迎加小助理微信沟通，未经允许转载、洗稿、我方将保留追究法律责任的权利。

免责声明：市场有风险，投资需谨慎。请读者在考虑本文中的任何意见、观点或结论时严格遵守所在地法律法规，以上内容不构成任何投资建议。

标签：ai 技术

如果本内容侵权或违规违法，你可以点击 这里 申请删除。