AIGC动态欢迎阅读
！训练微调都能用，来自微软
关键字：模型,张量,梯度,函数,性能
文章来源：量子位
内容字数：0字内容摘要：
克雷西 发自 凹非寺量子位 | 公众号 QbitAI只需激活60%的参数，就能实现与全激活稠密模型相当的性能。
微软亚洲研究院的一项新研究，实现了模型的完全稀疏激活，让推理成本大幅下降。
而且适用范围广泛，无论是从头训练、继续训练还是微调，都能提供有效支持。
该方法名为Q-Sparse，在神经元级别上实现了模型稀疏化，相比于其他方式粒度更细，在相同推理开销下，无论性能还是稀疏率都更好。
名称之中，Q指的是量化（Quantization），意味着它除了普通模型之外，也兼容量化技术，适用于各种量化方式的模型。
作者进一步表示，如果把Q-Sparse与模型量化技术结合，还可以实现更大程度的降本增效。
另外在研究Q-Sparse的同时，团队也对参数规模、稀疏率和模型性能三者之间的关系进行了深入探寻，并发现了适用于模型推理优化的“Scaling Law”。
有网友认为，这项技术确实不错，而且比ReLU要更好。
还有人开启了许愿模式，表示如果（AMD的）ROCm能比英伟达更快支持这项技术就好了。
用Top-K函数实现稀疏化Q-Sparse所做的最核心的操作，是对输入的张量应用Top-K稀疏化函数。原文链接：只激活3.8B参数，性能比肩同款7B模型！训练微调都能用，来自微软
联系作者
文章来源：量子位
作者微信：
作者简介：
