Google综述：细数Transformer模型的17大高效变种

在NLP领域transformer已经是成功地取代了RNN（LSTM/GRU），在CV领域也出现了应用，比如目标检测和图像加注，还有RL领域。这是一篇谷歌2020年9月份在arXiv发表的综述论文 “Efficient Transformers: A Survey“，值得读读。

 

文章主要针对一类X-former模型，例如Reformer, Linformer, Performer, Longformer为例，这些对原版Transformer做了改进，提高了其计算和内存的效率。

论文题目：

Efficient Transformers: A Survey

 

论文链接：

https://arxiv.org/pdf/2009.06732

 

Transformer回顾图片

self-attention是Transformer模型的关键定义特征。该机制可以看作是类似graph的归纳偏差（inductive bias），它可将序列中的所有token与基于相关的pooling操作相联系。self-attention 的一个众所周知的问题是quadratic级别的时间和内存复杂度，阻碍许多设置的模型规模化（bility）。所以，最近提出了解决该问题的大量变型，这里将这类模型称为efficient Transformers。

 

efficient self-attention模型在长序列建模的应用中至关重要，例如文档、图像和视频通常都由相对大量的像素或token组成。因此，处理长序列的效率对于Transformers的广泛采用至关重要。

 

如图是一个标准的Transformer架构：

 

Transformer是通过将Transformer blocks彼此堆叠而形成的多层体系结构。Transformer blocks的特点包括multi-head self-attention机制、positionwise前馈网络（feed-forward network）、层归一化（LN）模块和残差连接器（residual connectors）。

 

Transformer模型的输入通常是形状为BxN的张量，其中B是批处理（batch）大小，N是序列长度。该输入先穿过一个嵌入层，该层将每个one-hot token表示转换为d-维的嵌入向量，即BxNxd。然后，新张量与位置编码相加，并通过一个multi-head self-attention模块。

 

位置编码可以是正弦输入形式或者可训练的嵌入方式。multi-head self-attention模块的输入和输出通过残差连接器和层归一化层（LN）模块连接。然后，将multi-head self-attention模块的输出传递到两层前馈网络（FFN），类似于以残差方式连接层归一化（LN）模块。

 

带层归一化模块的残差连接器定义为：

 

而在Multi-Head Self-Attention的单个head操作定义为：

 

Attention矩阵A = QK^T主要负责学习序列中token之间的校准分。这会推动self-attention的自我校准过程，从而token学习彼此之间的聚类。不过，这个是一个效率的瓶颈。

 

FFN的层操作定义为：

 

这样整个Transformer block的操作定义是：

 

下面要注意的是Transformer模块使用方式的不同。Transformer主要使用方式包括：（1）编码器（例如用于分类），（2）解码器（例如用于语言建模）和（3）编码器-解码器（例如用于机器翻译）。

 

在编码器-解码器模式下，通常有多个multi-head self-attention模块，包括编码器和解码器中的标准self-attention，以及允许解码器利用来自解码器的信息的编码器-解码器cross-attention。这影响了self-attention机制的设计。

 

在编码器模式中，没有限制或self-attention机制的约束必须是因果方式，即仅取决于现在和过去的token。

 

在编码器-解码器设置中，编码器和编码器-解码器cross-attention可能是无因果方式，但解码器的self attention必须是因果方式。设计有效的self attention机制，需要支持AR（auto-regressive）解码的因果关系，这可能是一个普遍的限制因素。

 

Efficient Transformers

Efficient Transformers的分类如图，其对应的方法在近两年（2018-2020）发表的时间、复杂度和类别见表：

 

 

注：FP = Fixed Patterns/Combinations of Fixed Patterns, M = Memory, LP = Learnable Pattern, LR = Low Rank, KR = Kernel, RC = Recurrence.

除segment-based recurrence外，大多数模型的主要目标是对attention matrix做quadratic级别开销近似。每种方法都将稀疏的概念应用于原密集的attention机制。

 

Fixed patterns（FP）：self attention的最早改进是将视场限制为固定的、预定义模式（例如局部窗和固定步幅的块模式）来简化attention matrix。

Blockwise Patterns这种技术在实践中最简单的示例是blockwise（或chunking）范式，将输入序列分为固定块，考虑局部接受野（local receptive fields）块。这样的示例包括逐块和/或局部attention。将输入序列分解为块可将复杂度从N^2降低到B^2（块大小），且B << N，从而显著降低了开销。这些blockwise或chunking的方法可作为许多更复杂模型的基础。

 

Strided patterns是另一种方法，即仅按固定间隔参与。诸如Sparse Transformer和/或Longformer之类的模型，采用“跨越式”或“膨胀式“视窗。

 

Compressed Patterns是另一条进攻线，使用一些合并运算对序列长度进行下采样，使其成为固定模式的一种形式。例如，Compressed Attention使用跨步卷积有效减少序列长度。

 

Combination of Patterns (CP)：其关键点是通过组合两个或多个不同的访问模式来提高覆盖范围。例如，Sparse Transformer 将其一半的头部分配给模式，结合strided 和 local attention。类似地，Axial Transformer 在给定高维张量作为输入的情况下，沿着输入张量的单轴应用一系列的self attention计算。本质上，模式组合以固定模式相同的方式降低了内存的复杂度。但是，不同之处在于，多模式的聚集和组合改善了self attention机制的总覆盖范围。

Learnable Patterns (LP)：对预定FP模式的扩展即可学习。毫不奇怪，使用可学习模式的模型旨在数据驱动的方式学习访问模式。LP的关键是确定token相关性，将token分配给buckets 或者clusters。值得注意的是，Reformer引入了基于哈希的相似性度量，有效地将token聚类为chunks。类似地，Routing Transformer在token上采用在线的k-means聚类。同时，Sinkhorn排序网络（Sorting Network）通过学习对输入序列的blocks排序来显露attention weight的sparsity。所有这些模型中，相似性函数与网络的其它部分一起进行端到端训练。LP的关键点仍然是利用固定模式（chunked patterns）。但是，此类方法学会对输入token进行排序/聚类，即保持FP方法效率优势的同时，得到更优的序列全局视图。

 

Memory：另一种表现突出的方法，用一个side memory模块，可以一次访问多个token。通用形式是全局存储器，能够访问整个序列。全局token充当记忆的一种形式，从输入序列的token中学习聚集。这是最早在Set Transformers中引入的inducing points方法。这些参数通常被解释为“memory”，并用作将来处理的临时上下文信息。这可以看作是parameter attention的一种形式。全局内存也用于ETC和Longformer。借着数量有限的内存（或者inducing points），对输入序列采用类似pooling操作进行压缩，这是设计有效的self attention模块时可以使用的技巧。

 

Low-Rank 方法：另一种新兴技术，利用self attention矩阵的低秩近似来提高效率。关键点是假设NxN矩阵的低秩结构。Linformer是此技术的经典示例，将keys和values的长度维投影到较低维的表示形式（N-》 k）。不难发现，由于NxN矩阵现在已分解为Nxk，因此该方法改善了self attention的存储复杂性问题。

 

Kernels：另一个最近流行的提高Transformers效率的方法，通过核化（kernelization）查看attention机制。核的使用使self attention机制能够进行巧妙的数学重写，避免显式地计算NxN矩阵。由于核是attention矩阵的一种近似形式，因此也可以视为Low Rank方法的一种。

 

Recurrence：blockwise方法的直接扩展是通过递归连接这些块。Transformer-XL提出了一种segment-level 递归机制，该机制将多个segment和block连接起来。从某种意义上说，这些模型可以看作是FP模型。

 

内存和计算复杂度分析

该综述对以下17个方法进行了内存和计算复杂度分析，即

1、Memory Compressed Transformer：“Generating wikipedia by summarizing long sequences” 如图

 

2、 Image Transformer：“Image Transformer” 如图

 

3、 Set Transformer：“Set transformer: A framework for attention-based permutation-invariant neural networks“ 如图

 

4、 Sparse Transformer：“Generating long sequences with sparse transformers”如图

 

5、Axial Transformer：“Axial attention in multidimensional transformers.“如图

 

 

6、 Longformer：“Longformer: The long-document transformer“如图

 

7、 Extended Transformer Construction (ETC)：“Etc: Encoding long and structured data in transformers“如图

 

8、 BigBird：“Big Bird: Transformers for Longer Sequences“如图

 

9、 Routing Transformer：“Efficient content-based sparse attention with routing transformers“如图

 

10、 Reformer：“Reformer: The efficient transformer“如图

 

 

11、 Sparse Sinkhorn Transformer：“Sparse sinkhorn attention“如图

 

 

12、 Linformer：“Hat: Hardware-aware transformers for efficient natural language processing“如图

 

 

 

 

13、 Linear Transformer：“Transformers are rnns: Fast autoregressive transformers with linear attention“ 如图是其伪代码

 

14、 Performer：“Masked language modeling for proteins via linearly scalable long-context transformers“ 如图是Fast Attention via Orthogonal Random Features (FAVOR)的算法伪代码

 

15、 Synthesizer：“Synthesizer: Rethinking self-attention in transformer models.“如图

 

16、 Transformer-XL：“Transformer-xl: Attentive language models beyond a fixed-length context“如图

 

 

17、 Compressive Transformers：“Compressive transformers for long-range sequence modelling“如图

 

评估基准图片

 

尽管该领域忙于使用新的Transformer模型，但几乎没有一种简单的方法可以将这些模型比较。许多研究论文选择自己的基准来展示所提出模型的功能。再加上不同的超参数设置（例如模型大小和配置），可能难以正确地找到性能提升的原因。此外，一些论文将其与预训练相提并论，使区分这些不同模型相对性能的难度更大。考虑使用哪个基本高效的Transformer block，仍然是一个谜。

 

一方面，有多种模型集中在generative modeling，展示了提出的Transformer单元在序列AR（auto-regressive）建模上的能力。为此，Sparse Transformers, Adaptive Transformers, Routing Transformers 和 Reformers主要集中在generative modeling任务。这些基准通常涉及在诸如Wikitext、enwik8和/或ImageNet / CIFAR之类的数据集上进行语言建模和/或逐像素生成图像。而segment based recurrence模型（例如Transformer-XL和Compressive Transformers）也专注于大范围语言建模任务，例如PG-19。

 

一方面，一些模型主要集中于**编码（encoding only）**的任务，例如问题解答、阅读理解和/或从Glue基准中选择。例如ETC模型仅在回答问题基准上进行实验，如NaturalQuestions或TriviaQA。另一方面，Linformer专注于GLUE基准测试子集。这种分解是非常自然和直观的，因为ETC和Linformer之类的模型无法以AR（auto-regressive）方式使用，即不能用于解码。这加剧了这些编码器模型与其他模型进行比较的难度。

 

有些模型着眼于上述两者的平衡。Longformer试图通过在生成建模和编码器任务上运行基准来平衡这一点。Sinkhorn Transformer对生成建模任务和仅编码任务进行比较。

 

此外，还值得注意的是，尽管Seq2Seq任务的**机器翻译（MT）**是普及Transformer模型的问题之一，但这些有效的Transformer模型没有能对MT进行多些的评估。这可能是因为MT的序列长度不足以保证这些模型的使用。

 

尽管generative modeling、**GLUE（General Language Understanding Evaluation）**和/或question answering，似乎是这些应用的通用评估基准，但仍有一些基准可供小部分论文单独进行评估。首先，Performer模型会对masked language modeling进行评估，和其他有效的Transformer模型进行了正面对比。而且Linear Transformer还对语音识别进行评估，这是比较罕见的了。

 

效率方面的比较

另外，论文最后还对这些效率提高的方法做了分析比较，主要是几个方面：

Weight Sharing

Quantization / Mixed Precision

Knowledge Distillation (KD)

Neural Architecture Search (NAS)

Task Adapters

 

这里就不展开介绍啦，感兴趣的小伙伴可以传送到原paper

 

声明：文章收集于网络，版权归原作者所有，为传播信息而发，如有侵权，请联系小编删除，谢谢！