本文的目标是解释为什么现代LLM架构在前馈部分使用
SwiGLU
作为激活函数并且已经放弃了
ReLU
。
神经网络本质上是一系列矩阵乘法，如果我们堆叠线性层而不使用任何激活函数：
无论你堆叠多少层，它仍然只是一个线性变换，网络只能学习线性关系。
激活函数引入了非线性，使网络能够逼近复杂的非线性函数，这是深度学习表达能力的基础。
ReLU有什么问题？
ReLU
确实彻底改变了深度学习：
它简单、快速，并且解决了
sigmoid
或
tanh
等函数存在的梯度消失等问题。
虽然人们通常会列出使用
ReLU
时可能遇到的问题，比如神经元死亡等等，但这些问题要么是理论上的，要么在大多数情况下可以通过现代神经网络技术（批量归一化、自适应学习权重等）很好的避免。
不过在进入SwiGLU之前，我们先来看一个激活函数 Swish，它是 SwiGLU 的组成部分。
Swish是一个"自门控"激活函数：输入 (x) 乘以其自身的sigmoid σ(x)，它充当一个门，控制有多少输入能够通过。
看看门的行为：
当x非常负时：σ(x) ≈ 0，所以门是关闭的（抑制输出）
当x非常正时：σ(x) ≈ 1，所以门是完全打开的（几乎原样通过输入）
尽管公式稍微复杂一些，
Swish
的行为与
ReLU
非常相似。
Swish比ReLU更好吗？
Swish
被发现比
ReLU
效果更好，但就像深度学习中的许多事情一样我们并不确切知道为什么
Swish
效果更好，不过倒是可以总结出以下的区别：
没有硬梯度截断
看上面的图，主要区别就是它们如何处理负输入：
ReLU：在零处硬截断
当x<0时：输出 = 0 且 梯度 = 0。这就是神经元死亡问题（尽管如前所述，通常可以通过BatchNorm等现代技术来避免）
Swish：平滑、渐进地趋近于零
对于负x：梯度渐近趋近于零，但对于有限值永远不会精确等于零/所以理论上神经元总是可以接收更新（尽管对于非常负的输入，更新可能可以忽略不计）
平滑性
ReLU
在x=0处有不连续性（导数从0跳到1）。
Swish
在任何地方都是无限可微的，这意味着梯度景观是平滑的。这种平滑性是否有助于
Swish
的性能还不是100%清楚但它可能有助于优化
什么是门控线性单元（GLU）？
下面就是
SwiGLU
的另外一个组件。让我们来谈谈 GLU。
其中：
x是输入
W 和 V 是权重矩阵
b和c是偏置向量
⊙ 是逐元素乘法
σ 是sigmoid函数
GLU
使用门控机制在这方面与
Swish
有些相似。而它们区别在于GLU不是对所有特征应用相同的变换（恒等变换）然后用固定函数（sigmoid）进行门控，而是使用两个独立的线性投影：
xW+ b 这只是取输入并对其进行变换。它通常被称为 内容路径
**σ(xV + c)**：这第二部分说明每个特征的内容应该让多少通过，因此它被称为 门路径
所以GLU
实际上可以被认为是
Swish` 的泛化
逐元素乘法 ⊙ 允许门选择内容的哪些元素可以通过。当 σ(xV + c) 接近0时，门可以完全抑制某些特征，而当 σ(xV + c) 接近1时则完全让其他特征通过。
门控的具体示例
假设我们有一个4维向量 x = [1.0, -0.5, 2.0, 0.3]
GLU对同一个输入应用2个变换：
- 通过内容路径对内容进行变换：xW + b。假设它产生 **[2.0, -1.5, 3.0, 0.5]**1. 第2个变换应该扮演门的角色： **σ(xV + c)**。假设它产生 [0.9, 0.1, 0.95, 0.05]
GLU输出是它们的逐元素乘积：
GLU output = [2.0 × 0.9, -1.5 × 0.1, 3.0 × 0.95, 0.5 × 0.05] = [1.8, -0.15, 2.85, 0.025]
得到的结果如下：
特征1：内容为正（2.0），门值高（0.9）→ 强烈通过（1.8）
特征2：内容为负（-1.5），门值低（0.1）→ 被阻挡（-0.15）
特征3：内容为正（3.0），门值非常高（0.95）→ 完全通过（2.85）
特征4：内容较小（0.5），门值非常低（0.05）→ 被抑制（0.025）
这样网络学习了复杂的决策规则："对于像x这样的输入，放大特征1和3，但抑制特征2和4。"
那么SwiGLU是什么？
现在我们有了所有的组成部分，
SwiGLU
（Swish门控线性单元）简单地结合了Swish和GLU：
它不是像GLU那样使用sigmoid作为门，而是使用Swish。这就是为什么它被称为 Swish + GLU。
那么公式的每个部分做什么呢？这与GLU的逻辑完全相同，改变的只是门控函数。
- **Swish(xW)**：门——决定每个特征有多少可以通过
- xV：内容——正在传输的实际信息
- ⊙：逐元素乘法——将门应用于内容
为什么SwiGLU效果这么好？
从经验上看，SwiGLU在LLM中优于其他激活函数（尽管目前还不确定VLM的情况）。但为什么呢？
乘法交互创建特征组合
考虑每种架构计算的内容：
标准FFN（ReLU/GELU）：
output = activation(xW₁) @ W₂
每个输出维度是激活特征的加权和，激活是逐元素应用的——特征在激活内部不会相互交互。
SwiGLU FFN：
output = (Swish(xW) ⊙ xV) @ W₂
逐元素乘法 ⊙ 在两条路径之间创建乘积。如果我们用 g = Swish(xW) 和 c = xV 表示，那么在最终投影之前的输出维度 i 是 gᵢ × cᵢ。
这就是为什么这很重要：gᵢ 和 cᵢ 都是输入特征的线性组合（在Swish之前）。它们的乘积包含像 xⱼ × xₖ 这样的交叉项。网络可以学习 W 和 V，使得某些输入特征组合被放大或抑制。
这类似于为什么注意力机制很强大，注意力计算 softmax(QKᵀ)V，其中 QKᵀ 乘积捕获查询和键特征之间的交互。SwiGLU为FFN带来了类似的乘法表达能力。
为什么不在门中使用sigmoid而是使用Swish？
GLU使用sigmoid：σ(xW) ⊙ xV。sigmoid的问题在于它会饱和。对于大的正或负输入，σ(x) ≈ 1 或 σ(x) ≈ 0，且梯度 ∂σ/∂x ≈ 0，门就会被“冻结”了。
Swish对于正输入不会饱和，它近似线性增长（就像
ReLU
）。这意味着：- 梯度通过门路径流动得更好 - 门可以调节而不仅仅是开/关切换
平滑性
另外就是SwiGLU是无限可微的，这种平滑性可能有助于优化稳定性。
总结
SwiGLU的强大来自于其门控机制和乘法交互。通过将输入分成两条路径并将它们相乘，网络可以学习哪些特征组合是重要的——类似于注意力机制如何通过 QKᵀ捕获交互。
结合Swish的非饱和梯度，这使得SwiGLU对于大型模型特别有效。
作者：Safouane Chergui