摘要

稀疏门控的专家混合网络（Sparsely-gated Mixture of Experts, MoE）在自然语言处理领域已展现出卓越的可扩展性。然而，在计算机视觉领域，几乎所有的高性能网络仍采用“稠密”结构，即每个输入都经过所有参数的处理。本文提出了一种视觉专家混合网络（Vision MoE, V-MoE），这是一种稀疏化的视觉Transformer架构，具备良好的可扩展性，并在性能上可与当前最大的稠密网络相媲美。在图像识别任务中，V-MoE达到了与最先进网络相当的性能水平，同时在推理阶段所需的计算量可减少至其一半。此外，我们对路由算法进行了扩展，使其能够对整个批次中每个输入的子集进行优先级调度，从而实现自适应的每图像计算量调节。这一特性使V-MoE能够在测试阶段平滑地在性能与计算开销之间进行权衡。最后，我们展示了V-MoE在扩展视觉模型方面的巨大潜力，并成功训练了一个参数量达150亿的模型，在ImageNet数据集上取得了90.35%的准确率。