【大模型】激活函数之SwiGLU详解

SWiGLU是大模型常用的激活函数，是2020年谷歌提出的激活函数，它结合了Swish和GLU两者的特点。SwiGLU激活函数因其在多个方面的优势而被广泛应用于大型语言模型中。

1. Swish

基本定义

Swish是由Google Brain提出的一种激活函数，它的数学表达式如下：

其中 $\sigma (x)$ 是sigmoid函数，β是一个可学习的参数。

• 当β趋近于0时，Swish函数趋近于线性函数 $y=x^2$
• 当β取值为1时，Swish函数是光滑且非单调的，等价于SiLU激活函数
• 当β趋近于无穷大时，Swish函数趋近于ReLU函数。

Swish函数的图如下所示：

Swish的名称可能来源于其形状与鱼的尾巴相似，给人一种平滑、流畅的联想，这与"swish"这个词的含义相吻合。

补充：SiLU（Sigmoid Linear Unit）激活函数表达式如下：

SiLU具备无上界有下界、平滑、非单调的特性。SiLU在深层模型上的效果优于 ReLU。可以看做是平滑的ReLU激活函数。

主要特点

Swish函数的特点包括：

• 非线性：Swish引入了非线性，使得神经网络能够学习和模拟复杂的函数。
• 平滑性：Swish函数在整个定义域内都是光滑且连续的，这有助于在优化过程中计算梯度。
• 自适应性：Swish函数的输出取决于输入值，这使得它能够自适应地调整激活函数的形状。

Swish函数在一些实验中表现出了比ReLU更好的性能，尤其是在一些深度神经网络中。Swish函数既有 ReLU（Rectified Linear Unit）激活函数的一些优点（例如，能够缓解梯度消失问题），又能解决 ReLU 函数的一些缺点（例如，ReLU 函数不是零中心的，且在负数部分的梯度为零）。此外，Swish 函数还是平滑函数，这意味着它在整个定义域内都有导数，这有利于优化。然而，Swish函数的计算复杂度较高，因为它涉及到sigmoid函数的计算。因此，在实际应用中，需要根据具体的任务和模型结构来选择合适的激活函数。

代码实现

Swish函数的代码实现如下：

import numpy as np
def swish(x,beta=1.0):"""Swish 激活函数参数:x -- 输入值返回:Swish 激活后的值"""return x * sigmoid(beta*x)def sigmoid(x):"""Sigmoid 函数参数:x -- 输入值返回:Sigmoid 函数的输出值"""return 1 / (1 + np.exp(-x))

2. GLU (Gated Linear Unit)

基本定义

GLU (Gated Linear Unit) 其实不算是一种激活函数，而是一种神经网络层。它是一个线性变换后面接门控机制的结构。其中门控机制是一个sigmoid函数用来控制信息能够通过多少。GLU结合了线性单元和门控机制，能够有效地学习输入数据的不同特征。

笔者在之前的博客中也介绍过在语言模型的建模方面GLU与RNN相比的差异，具体可以参考：GLU(Gated Linear Unit) 门控线性单元

GLU的数学表达式如下：

其中 ⊗ 表示逐元素乘法，$X$ 是输入，$W$ 和 $V$ 是权重矩阵，$b$ 和 $c$ 是偏置项。

主要特点

GLU的特点包括：

• 门控机制：GLU引入了门控机制，通过sigmoid函数控制输入的线性变换，从而使得神经网络能够学习输入数据的不同特征。
• 非线性：GLU引入了非线性，使得神经网络能够学习和模拟复杂的函数。
• 自适应性：GLU函数的输出取决于输入值，这使得它能够自适应地调整激活函数的形状。

代码实现

GLU函数的代码实现如下：

import numpy as np
def glu(x):"""GLU 激活函数参数:x -- 输入数组，维度必须是偶数返回:GLU 激活后的数组"""assert x.shape[-1] % 2 == 0, "输入数组的最后一个维度必须是偶数"half_dim = x.shape[-1] // 2return x[..., :half_dim] * sigmoid(x[..., half_dim:])def sigmoid(x):"""Sigmoid 函数参数:x -- 输入值返回:Sigmoid 函数的输出值"""return 1 / (1 + np.exp(-x))

3. SwiGLU

基本定义

终于到了我们今天的主角-SwiGLU。SwiGLU是一种结合了Swish和GLU的激活函数，它结合了Swish的平滑性和GLU的门控机制，能够有效地学习输入数据的不同特征。

SwiGLU的数学表达式如下：

主要特点

SwiGLU激活结合了Swish和GLU的特点，提供了一种有效的激活机制，具体来说：

• 非线性能力：SwiGLU通过Swish激活函数引入非线性，这使得模型能够学习和表示更复杂的数据模式 。
• 门控特性：GLU的门控机制允许模型动态地调整信息流，使得模型在处理长序列数据时能够更好地捕捉长距离依赖关系 。
• 梯度稳定性：SwiGLU在负输入区域提供非零的梯度，有助于缓解梯度消失问题，从而提高模型的训练稳定性 。
• 可学习参数：SwiGLU的参数可以通过训练学习，使得模型可以根据不同任务和数据集动态调整，增强了模型的灵活性和适应性 。
• 计算效率：相比于一些复杂的激活函数，SwiGLU在保持性能的同时，具有较高的计算效率，这对于大规模语言模型的训练和推理尤为重要 。

由于这些优势，SwiGLU在大型语言模型如LLAMA、OLMO和PALM中得到了应用 。它通过结合Swish的平滑性和GLU的门控机制，提供了一种有效的激活函数，以支持复杂和高效的深度学习模型训练 。

代码实现

SwishGLU函数的代码实现如下：

import numpy as np
def SwiGLU(x):"""SwiGLU 激活函数参数:x -- 输入数组，维度必须是偶数返回:SwiGLU 激活后的数组"""assert x.shape[-1] % 2 == 0, "输入数组的最后一个维度必须是偶数"half_dim = x.shape[-1] // 2return x[..., :half_dim] * swish(x[..., half_dim:])def swish(x,beta=1.0):"""Swish 激活函数参数:x -- 输入值返回:Swish 激活后的值"""return x * sigmoid(beta*x)def sigmoid(x):"""Sigmoid 函数参数:x -- 输入值返回:Sigmoid 函数的输出值"""return 1 / (1 + np.exp(-x))

参考资料

• 【笔记】SWiGLU激活函数-大模型常用
• LLMForEverybody / 为什么大型语言模型都在使用SwiGLU作为激活函数？