文章来源于互联网:字节豆包大模型团队突破残差连接局限！预训练收敛最快加速80%

字节跳动豆包大模型团队于近日提出超连接（Hyper-Connections），一种简单有效的残差连接替代方案。面向残差连接的主要变体的局限问题，超连接可通过动态调整不同层之间的连接权重，解决梯度消失和表示崩溃（Representation Collapse）之间的权衡困境。在 Dense 模型和 MoE 模型预训练中，超连接方案展示出显著的性能提升效果，使收敛速度最高可加速 80%。

• 论文标题：Hyper-Connections
• 论文链接：https://arxiv.org/pdf/2409.19606

• Pre-Norm：在每个残差块之前进行归一化操作，可有效减少梯度消失问题。然而，Pre-Norm 在较深网络中容易导致表示崩溃，即深层隐藏表示过于相似，从而削弱了模型学习能力。
• Post-Norm：在残差块之后进行归一化操作，有助于减少表示崩溃问题，但也重新引入梯度消失问题。在 LLM 中，通常不会采用此方法。

• 深度连接（Depth-Connections）：这些连接类似于残差连接，只为输入与输出之间的连接分配权重，允许网络学习不同层之间的连接强度。
• 宽度连接（Width-Connections）：这些连接使得每一层多个隐藏向量之间可进行信息交换，从而提高模型表示能力。

首先，考虑第 k 层的输入隐藏向量，网络的初始输入为，并将其复制 n 次，形成初始的超隐藏矩阵（Hyper Hidden Matrix）：

这里，n 称为扩展率（Expansion Rate）。在第 k 层，输入是上一层的超隐藏矩阵，即：

考虑一层网络，它可能是 Transformer 中的 attention 层或者是 FFN 层。超连接的输出 可以简单地表示为：

也就是说，用 作为权重对输入 进行加权求和，得到当前层的输入：

同时，用于将 映射到残差超隐藏矩阵，表示如下：

超连接矩阵 的元素可以动态依赖于输入 ，动态超连接的矩阵表示为：

同样，给定层 和输入，可以得到动态超连接的输出：

前归一化和后归一化的残差连接可以表示为以下扩展率为 的超连接矩阵：

其中，和  分别表示神经网络层输入和输出的标准差，表示它们之间的协方差。

对于 Pre-Norm，其超连接矩阵是一个 的矩阵，右下三角部分填充为 1，其余部分为占位符 0。对于 Post-Norm，权重依赖于输入和输出的方差及协方差，形成一个 的矩阵。因此，它们的超连接矩阵是不可训练的。

而本工作提出的方法的超连接矩阵是 矩阵，且权重是可训练的，甚至可以基于输入进行动态预测。

文章来源于互联网:字节豆包大模型团队突破残差连接局限！预训练收敛最快加速80%