使用场景
在自然语言处理（NLP）任务中，使用EPLB优化Transformer模型的专家并行训练，显著提高训练速度。
在计算机视觉任务中，通过EPLB实现多GPU环境下的专家负载均衡，提升模型性能。
在大规模推荐系统中，利用EPLB优化专家并行训练过程，减少训练时间和资源消耗。
产品特色
支持层次化负载均衡和全局负载均衡两种策略，适应不同阶段的训练需求。
通过冗余专家策略，动态复制负载较重的专家，确保负载平衡。
利用组限制专家路由，尽量将同一组的专家放置在同一节点上，减少跨节点通信。
提供基于估计专家负载的专家复制和放置计划，支持自定义负载预测方法。
开源实现，便于用户在不同框架中集成和扩展。
使用教程
1. 克隆EPLB仓库到本地。
2. 安装依赖库，如PyTorch等。
3. 准备专家负载数据，例如通过历史统计计算负载。
4. 调用`eplb.rebalance_experts`函数，传入负载数据和相关参数（如副本数、节点数、GPU数等）。
5. 根据输出的专家复制和放置计划，配置模型训练环境。
