门控线性单元GLU (Gated Linear Unit)

门控线性单元GLU (Gated Linear Unit)

• 论文

  https://arxiv.org/abs/1612.08083

• 门控线性单元（GLU）最初在《Language Modeling with Gated Convolutional Networks》提出，设计灵感来自门控控制，通过引入门控操作来控制信息的流动，它巧妙地将线性变换与门控机制结合起来，通过可学习的门控信号来控制信息流，可以看做是引入了一种动态的选择极值，以在模型中选择性地传递信息

• GLU 的有效性来源于其直观的工作流程：

  1. 双线性变换: 首先，输入 x 会并行地进行两次独立的线性变换。一次生成“候选”输出 (xW+b)，这是潜在需要传递的信息。
  2. 门控过滤: 同时，另一个线性变换 (xV+c) 的结果会通过 Sigmoid 函数生成一个介于 0 和 1 之间的门控信号。这个门像一个智能开关，决定了“候选”输出中每个维度的信息应该有多少被保留，有多少应该被抑制。
  3. 残差友好: 由于门控输出的平均值大约为 0.5，这使得 GLU 具有一种天然的“残差”特性，有助于缓解深度网络训练中的梯度消失问题。

函数表达式

• GLU函数
  $$\begin{array}{r}\mathrm{GLU}(\mathrm{x})=(xW+b)\otimes \sigma (xV+c)\end{array}$$

  其中

  • $x\in {\mathbb{R}}^d$ 为输入向量
  • $W、V\in {\mathbb{R}}^{d\times d}$ 与 $b、c\in {\mathbb{R}}^d$ 为可学习的权重矩阵与偏置向量
  • $\otimes$ 表示逐元素乘积(哈达玛乘积)
  • $\sigma (\cdot )$ 为 sigmoid 门控，将后面 $xV+c$ 值压缩到 (0, 1) 区间，作为门控信号，决定信息通过比例

---

与 Swish 的对比

• 与swish对比

  特性	Swish	GLU
  参数	标量 $\beta$（固定或可学习）	全连接权重 $W$、偏置 $b$（可学习）
  门控方式	输入自身经过 sigmoid 缩放	输入经线性变换后再经 sigmoid 门控
  参数量	每通道 0/1 个标量	每通道 $d+1$ 个参数
  计算复杂度	低（一次 sigmoid）	高（一次矩阵乘 + sigmoid）
  表达能力	中等	强

---

PyTorch 中的 GLU 实现

• 代码（以 nn.GLU 为例，针对通道维度切分）

  注意：使用官方的GLU函数，输出维度是减半的

  import torch
  import torch.nn as nntorch.manual_seed(1024)batch_size = 8
  seq_len = 64
  d_model = 512x = torch.randn(batch_size, seq_len, d_model)# 官方 GLU 沿指定维度将输入一分为二
  glu = nn.GLU(dim=-1)          # dim 指定切分维度
  out = glu(x)                  # 输出 [batch_size, seq_len//2, d_model]print("Input shape :", x.shape)
  print("Output shape:", out.shape)"""输出"""
  Input shape : torch.Size([8, 64, 512])
  Output shape: torch.Size([8, 64, 256])
  

  若输入通道维度(seq_len)为偶数，可直接使用 nn.GLU(dim=channel_dim)，此时将输入均分两份：前一半做值、后一半做门控。

• 自定义 GLU（任意线性映射 + 门控）

  注意：输出维度可以

  import torch
  import torch.nn as nn
  torch.manual_seed(1024)class GLU(nn.Module):def __init__(self, d_in, d_out):super().__init__()self.w1 = nn.Linear(d_in, d_out, bias=False)self.w2 = nn.Linear(d_in, d_out, bias=False)self.w3 = nn.Linear(d_out, d_in, bias=False)  # 可选：再投影回 d_indef forward(self, x):# x: [batch_size, seq_len, d_model]gate = torch.sigmoid(self.w2(x))   # [batch_size, seq_len, d_in]out  = self.w1(x) * gate           # [batch_size, seq_len, d_out]return self.w3(out)                # [batch_size, seq_len, d_in]# 使用示例
  batch_size = 8
  seq_len = 64
  d_model = 512
  d_ff = 4 * d_modelx = torch.randn(batch_size, seq_len, d_model)
  layer = GLU(d_in=d_model, d_out=d_ff)
  print(layer(x).shape)   # 维度不变"""输出"""
  torch.Size([8, 64, 512])
  

---

TensorFlow 中的 GLU 实现

• 代码（tf.keras 自定义层）

  import tensorflow as tfclass GLU(tf.keras.layers.Layer):"""典型 Transformer-FFN 中的 GLU 层：GLU(x) = (x W_gate) ⊙ σ(x W_up)  再投影回 d_in，维度不变"""def __init__(self, d_in, d_out, **kwargs):super().__init__(**kwargs)self.d_in = d_inself.d_out = d_out# 两路线性映射self.w_gate = tf.keras.layers.Dense(d_out, use_bias=False)self.w_up   = tf.keras.layers.Dense(d_out, use_bias=False)self.w_down = tf.keras.layers.Dense(d_in, use_bias=False)def call(self, x):gate = tf.nn.sigmoid(self.w_gate(x))   # [batch_size, seq_len, d_out]up   = self.w_up(x)                    # [batch_size, seq_len, d_out]return self.w_down(gate * up)          # [batch_size, seq_len, d_in]# 使用示例
  batch_size = 8
  seq_len = 64
  d_model = 512
  d_ff = 4 * d_modelx = tf.random.normal([batch_size, seq_len, d_model])
  glu = GLU(d_in=d_model, d_out=d_ff)
  print(glu(x).shape)   # (4, 64, 512)  维度不变"""输出"""
  (8, 64, 512)
  

---