Qwen2.5-VL 视觉编码器的SwiGLU

Qwen2.5-VL 视觉编码器的SwiGLU

flyfish

视觉编码器在多模态大模型中扮演着至关重要的角色。我们从头开始训练了一个原生动态分辨率的 ViT，包括 CLIP、视觉-语言模型对齐和端到端训练等阶段。为了解决多模态大模型在训练和测试阶段 ViT 负载不均衡的问题，我们引入了窗口注意力机制，有效减少了 ViT 端的计算负担。在我们的 ViT 设置中，只有四层是全注意力层，其余层使用窗口注意力。最大窗口大小为 8x8，小于 8x8 的区域不需要填充，而是保持原始尺度，确保模型保持原生分辨率。此外，为了简化整体网络结构，我们使 ViT 架构与 LLMs 更加一致，采用了 RMSNorm 和 SwiGLU 结构。
这里就是介绍 SwiGLU

一、激活函数的本质定义

• 数学层面：激活函数是作用于神经元输入的非线性函数，将神经元的输入信号转换为输出信号。
  若神经元输入为 $z$，输出为 $a$，则 $a=f(z)$，其中 $f$ 即为激活函数。
• 生物启发：模拟生物神经元的“激活”机制——只有当输入信号强度超过阈值时，神经元才会传递信息。

二、为什么神经网络需要激活函数？

1. 线性模型的局限性
   若没有激活函数，多层神经网络等价于单层线性模型，只能拟合线性关系。例如：

   • 单层神经网络：$y=Wx+b$（线性）。
   • 两层神经网络（无激活函数）：$y=W_2(W_{1}x+b_1)+b_2=(W_2{W}_1)x+(W_2{b}_1+b_2)$，本质仍是线性变换。
     结论：无激活函数的神经网络无法解决非线性问题（如异或运算、图像识别中的特征提取）。

2. 非线性的必要性
   激活函数通过引入非线性，使神经网络能够拟合任意复杂的函数（根据通用近似定理，含非线性激活函数的多层神经网络可近似任何连续函数）。
   案例：异或问题（XOR）无法用线性模型解决，但含ReLU激活函数的两层神经网络可轻松拟合。

Sigmoid

Sigmoid激活函数的公式为$\sigma (z)=\frac{1}{1+e^{-z}}$，其核心特点是将输入映射到(0,1)区间，输出可视为概率或激活强度。该函数早期广泛应用于神经网络隐藏层和二分类输出层，其生物神经元模拟特性使其具备直观的解释性，但存在明显缺陷：当$|z|$较大时梯度趋近于0，导致深层网络训练时出现梯度消失问题；输出恒为正值，会使梯度更新方向单一，可能引发参数震荡；此外，指数运算的计算开销较高，效率低于现代激活函数。如今Sigmoid主要用于二分类任务的输出层（如逻辑回归），在隐藏层已较少使用。

Tanh

Tanh（双曲正切）函数公式为$\tanh (z)=\frac{e^z-e^{-z}}{e^z+e^{-z}}$，输出范围为(-1,1)，解决了Sigmoid的非零中心化问题，使梯度更新方向更灵活。相比Sigmoid，Tanh的非线性表达能力更强，但仍未摆脱梯度消失的困扰，尤其在输入绝对值较大时梯度趋近于0，导致深层网络训练困难。其计算复杂度与Sigmoid相当，效率较低，目前主要应用于早期序列模型（如RNN）的隐藏层，或需要输出对称区间的特定任务，在现代主流架构中已逐渐被ReLU等函数取代。

ReLU

ReLU（修正线性单元）的公式为$\text{ReLU}(z)=\max (0,z)$，是现代神经网络中最常用的激活函数之一。其核心优势在于计算效率极高，仅需判断输入正负，无需复杂运算，非常适合GPU/TPU等硬件加速；在正数区域梯度恒为1，有效缓解了梯度消失问题，使深层网络训练更稳定；约50%的输入会被映射为0，形成稀疏激活，增强了特征选择性。但ReLU存在“死神经元”问题——输入为负时梯度为0，神经元可能永久不更新（尤其在大学习率下），且在$z=0$处不可微，可能影响优化器收敛。目前ReLU广泛应用于CNN、Transformer等架构的隐藏层，是默认首选激活函数。

Leaky ReLU

Leaky ReLU的公式为$\text{Leaky ReLU}(z)=\{\begin{array}{ll}z,& z\ge 0\\ \alpha z,& z<0\end{array}$（$\alpha$为小常数，如0.01），其设计初衷是解决ReLU的“死神经元”问题。通过为负数区域赋予小斜率$\alpha$，Leaky ReLU确保了全域梯度存在，避免神经元永久失活，同时计算开销可忽略（仅多一次乘法）。然而，$\alpha$需手动设定，部分场景下调参成本较高，因此其应用场景主要集中在ReLU表现不佳的任务中，如图像生成模型（如GAN）或某些NLP任务，相比ReLU更适合需要保留负数区域信息的场景。

PReLU

PReLU（参数化ReLU）与Leaky ReLU结构类似，但$\alpha$为可学习参数而非固定常数，公式形式相同但$\alpha$通过反向传播自动优化。这一改进使PReLU能够自适应调整负数区域斜率，更贴合数据分布，避免手动调参的局限性。尽管每个通道或神经元需要额外学习一个$\alpha$参数，增加了少量模型复杂度，但在大型图像模型（如ResNet变种）中，PReLU的自适应特性显著提升了模型性能，尤其在数据分布复杂的场景中优势明显，是需要自适应激活函数时的优选方案。

ELU

ELU（指数线性单元）的公式为$\text{ELU}(z)=\{\begin{array}{ll}z,& z\ge 0\\ \alpha (e^z-1),& z<0\end{array}$（$\alpha$通常取1），其特点是负数区域呈指数型平滑过渡，输出均值更接近0。ELU通过平滑的负数区域设计缓解了梯度消失问题（该区域梯度非零且连续），同时输出均值趋近于0的特性类似Batch Normalization，能加速训练收敛。但ELU包含指数运算，计算效率略低于ReLU，主要应用于对收敛速度要求高的任务，如图像分类、语音识别等，在需要兼顾梯度稳定性和收敛效率的场景中表现优异。

GLU

GLU（门控线性单元）于2016年由Meta团队提出，公式为$\text{GLU}(z)=(W_{1}z+b_1)\otimes \sigma (W_{2}z+b_2)$，其中$\otimes$为逐元素相乘，$\sigma$为Sigmoid门控函数。该设计首次将门控机制引入神经网络，通过将输入分为两部分——一部分经线性变换，另一部分生成门控信号，实现信息流的动态筛选，有效解决长序列依赖问题。GLU适合处理序列建模任务（如NLP中的句子生成），但由于使用Sigmoid作为门控，在极端值区域存在梯度消失风险，且计算开销高于传统激活函数，后续衍生出的变体（如SwiGLU）对其进行了优化。

Swish

Swish由Google Brain于2017年提出，公式为$\text{Swish}(z)=z\cdot \sigma (z)$，是自门控激活函数的里程碑。该函数结合线性变换与Sigmoid门控，通过$\sigma (z)$动态调节输入权重，形成平滑非线性激活，全域可导且梯度稳定性显著优于ReLU。Swish的自门控机制模拟了神经元的自适应激活特性，增强了模型对复杂模式的拟合能力，尤其在大模型中表现突出。尽管包含Sigmoid运算导致计算开销略高，但通过硬件优化（如Tensor Cores）可有效缓解，目前应用于PaLM、Gato等大模型及图像生成任务中。

SwiGLU

SwiGLU（Swish-Gated Linear Unit）是GLU的改进版，2020年由Google研究员Noam Shazeer提出，公式为$\text{SwiGLU}(z)=(W_{1}z+b_1)\otimes \text{Swish}(W_{2}z+b_2)$。其核心创新是用Swish替换GLU中的Sigmoid门控，利用Swish的平滑特性解决了原GLU的梯度消失问题，同时通过分块矩阵运算保持计算效率接近ReLU。SwiGLU在LLaMA、PaLM-2等大语言模型中成为标准配置，允许前馈网络维度从4倍降至3倍，参数量减少25%但性能无损，是当前大模型提升参数效率的关键技术之一，广泛应用于长文本生成、多模态融合等场景。

GELU

GELU（高斯误差线性单元）的公式为$\text{GELU}(z)=z\cdot \Phi (z)$，其中$\Phi (z)$为标准正态分布的累积分布函数，其设计基于概率理论，模拟神经元的随机失活特性（类似Dropout的平滑版本）。GELU通过平滑非线性提升模型拟合能力，梯度稳定性优于ReLU，理论上更接近人类神经元的激活分布。由于直接计算$\Phi (z)$复杂度高，实际常用近似公式$0.5z(1+\tanh (\sqrt{2/\pi }(z+0.044715z^3)))$实现，目前广泛应用于BERT、GPT系列等Transformer模型的隐藏层，是NLP任务中的主流激活函数选择。

Softmax

Softmax是多分类任务专用的激活函数，公式为$\text{Softmax}(z_i)=\frac{e^{z_i}}{{\sum }_{j=1}^k{e}^{z_j}}$，作用是将k维输入向量归一化为概率分布，输出和为1。该函数适合作为多分类任务的最后一层，将模型输出转换为类别概率，例如图像分类、文本情感分析等场景。Softmax的计算涉及指数运算和归一化，计算量较大，但作为输出层激活函数不可替代，其结果可直接用于概率预测和交叉熵损失计算，是多分类模型的标准组件。

激活函数名称	公式
Sigmoid	$\sigma (z)=\frac{1}{1+e^{-z}}$
Tanh	$\tanh (z)=\frac{e^z-e^{-z}}{e^z+e^{-z}}$
ReLU	$\text{ReLU}(z)=\max (0,z)$
Leaky ReLU	$\text{Leaky ReLU}(z)=\{\begin{array}{ll}z,& z\ge 0\\ \alpha z,& z<0\end{array}$
PReLU	$\text{PReLU}(z)=\{\begin{array}{ll}z,& z\ge 0\\ \alpha z,& z<0\end{array}$（$\alpha$为可学习参数）
ELU	$\text{ELU}(z)=\{\begin{array}{ll}z,& z\ge 0\\ \alpha (e^z-1),& z<0\end{array}$
GLU	$\text{GLU}(z)=(W_{1}z+b_1)\otimes \sigma (W_{2}z+b_2)$
Swish	$\text{Swish}(z)=z\cdot \sigma (z)$
SwiGLU	$\text{SwiGLU}(z)=(W_{1}z+b_1)\otimes \text{Swish}(W_{2}z+b_2)$
GELU	$\text{GELU}(z)=z\cdot \Phi (z)$（$\Phi (z)$为标准正态分布累积函数）
Softmax	$\text{Softmax}(z_i)=\frac{e^{z_i}}{{\sum }_{j=1}^k{e}^{z_j}}$

SwiGLU 详细说明

从2016年GLU首次将门控机制引入CNN，到2017年Swish以自门控特性突破梯度瓶颈，再到2020年SwiGLU在Transformer中验证优势，直至2022年后在PaLM、LLaMA等大模型中实现工程化落地，SwiGLU的发展脉络贯穿了深度学习从理论探索到工程实践的渐进式创新。

理论奠基：门控机制与自门控激活的诞生

1. 门控线性单元（GLU）的原始设计（2016年）
   2016年，Meta（原Facebook）团队在《Language Modeling with Gated Convolutional Networks》中提出GLU，旨在解决传统RNN在序列建模中的并行计算瓶颈。当时研究者尝试用CNN替代RNN处理长序列，而GLU的核心公式为$\text{GLU}(z)=(W_{1}z+b_1)\otimes \sigma (W_{2}z+b_2)$，其中$\sigma$为Sigmoid门控函数，通过逐元素相乘实现信息流的动态筛选。这一设计首次将门控机制引入CNN，使模型能够通过门控信号自适应过滤无效信息，有效解决长序列依赖问题，为后续Transformer架构中前馈网络（FFN）的激活函数优化提供了关键思路，奠定了门控激活函数在序列处理任务中的基础地位。

2. Swish的革命性突破（2017年）
   2017年，Google Brain团队在《Swish: A Self-Gated Activation Function》中提出Swish，公式为$\text{Swish}(z)=z\cdot \sigma (z)$，通过Sigmoid的自门控特性，在保留ReLU计算高效性的同时解决了梯度消失问题。其优势在于具有平滑非线性特性，全域可导，梯度稳定性显著优于ReLU，且自门控机制能模拟神经元的自适应激活，增强模型对复杂模式的拟合能力。这一突破直接推动了后续门控激活函数的发展，成为SwiGLU等创新设计的核心基石。

技术突破：SwiGLU的提出与优化

1. SwiGLU的首次理论验证（2020年）
   2020年，Google研究员Noam Shazeer在《GLU Variants Improve Transformer》中针对Transformer架构中FFN层使用ReLU等激活函数存在的表达瓶颈，提出将GLU中的Sigmoid替换为Swish，形成SwiGLU，其公式为$\text{SwiGLU}(z)=(W_{1}z+b_1)\otimes \text{Swish}(W_{2}z+b_2)$。实验表明，SwiGLU在GLUE、SuperGLUE等NLP基准任务上性能显著优于ReLU和GELU，其创新点在于通过Swish的平滑特性提升了梯度稳定性，缓解了原GLU中Sigmoid在极端值区域梯度消失的问题，同时通过分块矩阵运算优化计算效率，使实际计算量接近ReLU，适配大规模模型训练需求。

2. 工程化落地与模型适配（2022年后）
   2022年后，SwiGLU在PaLM、LLaMA等大模型中实现规模化应用。Google的PaLM模型将FFN层激活函数替换为SwiGLU，在参数量减少25%的情况下保持性能持平；Meta的LLaMA（2023年）进一步优化，通过去除偏置项（$b_1,b_2$）和调整矩阵维度降低计算复杂度。在硬件适配方面，SwiGLU的分块运算特性与GPU/TPU的并行计算架构高度契合，成为现代大模型的标准配置，同时量化框架（如TensorRT）针对其门控机制进行定制优化，大幅提升推理效率，推动SwiGLU从理论走向工程实践。

应用与范式转变

1. 大语言模型的标配选择
   当前LLaMA 2、PaLM-2、Qwen-1.8B等新一代大语言模型均默认使用SwiGLU。实验数据显示，在长文本生成任务（如代码补全、多轮对话）中，SwiGLU相比GELU可使困惑度（Perplexity）降低3-5%，性能优势显著。此外，SwiGLU推动了参数效率革命，允许FFN层维度从传统的4倍降至3倍（如LLaMA将中间层维度从$4d$改为$3d$），在参数量减少25%的情况下保持模型性能，为万亿级参数大模型的训练提供了关键支持。

2. 跨领域迁移与改进
   在计算机视觉领域，Vision Transformer（ViT）的MLP层引入SwiGLU后，在ImageNet分类任务中top-1准确率提升1.2%，轻量级模型（如MobileViT）通过HardSwish变体进一步优化计算量，适配边缘设备；在多模态融合领域，Gato（DeepMind）、Flamingo（Google）等模型在跨模态交互层使用SwiGLU，增强不同模态语义的对齐能力。学术研究中，SwiGLU衍生出诸多变体，如GeGLU（将Swish替换为GELU）在LaMDA中提升表达能力，ReGLU（用ReLU替代门控函数）在特定场景下优化计算效率，研究者还从信息论角度证明其门控机制能最大化信息流互信息，提升模型泛化能力。

import numpy as np
import matplotlib.pyplot as plt# 设置图片清晰度
plt.rcParams['figure.dpi'] = 300# 定义输入范围
x = np.linspace(-6, 6, 1000)# 定义激活函数
def sigmoid(x):return 1 / (1 + np.exp(-x))def tanh(x):return np.tanh(x)def relu(x):return np.maximum(0, x)def leaky_relu(x, alpha=0.01):return np.where(x >= 0, x, alpha * x)def prelu(x, alpha=0.1):return np.where(x >= 0, x, alpha * x)def elu(x, alpha=1.0):return np.where(x >= 0, x, alpha * (np.exp(x) - 1))def glu(x, W1=1, W2=1, b1=0, b2=0):return (W1 * x + b1) * sigmoid(W2 * x + b2)def swish(x):return x * sigmoid(x)def swiglu(x, W1=1, W2=1, b1=0, b2=0):return (W1 * x + b1) * swish(W2 * x + b2)def gelu(x):return 0.5 * x * (1 + np.tanh(np.sqrt(2 / np.pi) * (x + 0.044715 * x**3)))# 激活函数列表（不含Softmax）
functions = [(sigmoid, 'Sigmoid'),(tanh, 'Tanh'),(relu, 'ReLU'),(leaky_relu, 'Leaky ReLU (α=0.01)'),(prelu, 'PReLU (α=0.1)'),(elu, 'ELU (α=1.0)'),(swish, 'Swish'),(gelu, 'GELU'),(glu, 'GLU (W=1)'),(swiglu, 'SwiGLU (W=1)')
]# 颜色列表（使用10种高对比度颜色）
colors = ['#1f77b4', '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b', '#e377c2', '#7f7f7f', '#bcbd22', '#17becf']# 创建画布（调整尺寸为更紧凑的比例）
plt.figure(figsize=(4, 3))# 绘制每个激活函数
for i, (func, name) in enumerate(functions):y = func(x)plt.plot(x, y, label=name, color=colors[i], linewidth=1, zorder=3)# 添加图例（调整为2列布局，放在图内底部）
plt.legend(loc='upper center', bbox_to_anchor=(0.5, -0.15), fancybox=False, shadow=False, ncol=2, fontsize=4)# 添加标题和标签（英文）
plt.title('Activation Functions', fontsize=4)
plt.xlabel('Input (x)', fontsize=4,loc='left')
plt.ylabel('Output (f(x))', fontsize=4)# 设置坐标轴范围
plt.xlim(-5, 5)
plt.ylim(-6, 6)# 添加网格线和参考线
plt.grid(True, linestyle='--', alpha=0.5, zorder=0)
plt.axhline(y=0, color='k', linestyle='-', alpha=0.3, zorder=1)
plt.axvline(x=0, color='k', linestyle='-', alpha=0.3, zorder=1)# 调整布局
plt.tight_layout(rect=[0, 0, 1, 0.9])  # 为图例留出空间
plt.show()