总结9种提速又提效的Transformer优化方案，收藏这一篇就够了！！

前言Transformer目前已经成为人工智能领域的主流模型应用非常广泛。然而Transformer中注意力机制计算代价较高随着序列长度的增加这个计算量还会持续上升。为了解决这个问题业内出现了许多Transformer的魔改工作以优化Transformer的运行效率。我这次就给大家分享9篇对Transformer模型进行效率优化的改进文章以方便大家更高效地使用模型寻找论文创新点。文章主要涉及4个方向稀疏注意力机制、Transformer处理长文本、Transformer运行提效以及卷积Attention原文及源码都已整理一、稀疏注意力机制1.1 Longformer: The Long-Document Transformer长文档Transformer「方法简述」Transformer-based models处理长序列时存在困难因为它们的自注意力操作与序列长度呈二次方关系。Longformer通过引入一个与序列长度呈线性关系的注意力机制解决了这个问题使其能够轻松处理数千个标记或更长的文档。Longformer在字符级语言建模方面表现优秀并在各种下游任务上取得了最先进的结果。此外Longformer还支持长文档生成序列到序列任务并在arXiv摘要生成数据集上展示了其有效性。1.2 Enhancing the Locality and Breaking the Memory Bottleneck of Transformer on Time Series Forecasting增强局部性并打破Transformer在时间序列预测中的内存瓶颈「方法简述」时间序列预测是许多领域中的重要问题包括太阳能发电厂能源输出、电力消耗和交通拥堵情况的预测。本文提出了使用Transformer来解决这种预测问题的方法。虽然初步研究表明其性能令人印象深刻但作者发现它有两个主要缺点局部性不敏感和内存瓶颈。为了解决这两个问题作者提出了卷积自注意力和LogSparse Transformer它们能够更好地处理局部上下文并降低内存成本。实验表明这些方法在时间序列预测方面具有优势。1.3 Adaptive Attention Span in TransformersTransformers中的自适应注意力跨度「方法简述」论文提出了一种新的自注意力机制可以学习其最优的注意力跨度。这使得我们可以显著扩展Transformer中使用的最大上下文大小同时保持对内存占用和计算时间的掌控。作者在字符级语言建模任务上展示了该方法的有效性在该任务中作者使用最大8k个字符的上下文实现了在text8和enwiki8上最先进的性能。二、Transformer处理长文本2.1 Transformer-XL: Attentive Language Models Beyond a Fixed-Length Context超越固定长度上下文的注意语言模型「方法简述」Transformers在语言建模中受到固定长度上下文的限制作者提出了一种新的神经网络架构Transformer-XL可以学习超过固定长度的依赖关系。它由一个段级别循环机制和一个新的位置编码方案组成能够捕捉更长的依赖关系并解决上下文碎片化问题。该方法不仅在短序列和长序列上都取得了更好的性能而且在评估期间比普通的Transformers快1,800倍。三、Transformer运行提效3.1 REFORMER: THE EFFICIENT TRANSFORMER高效的Transformer「方法简述」大型Transformer模型训练成本高尤其是在长序列上。论文提出了两种技术来提高效率使用局部敏感哈希替换点积注意力将复杂度从O(L^2)降低到O(L log L)使用可逆残差层代替标准残差允许只存储一次激活。由此产生的Reformer模型在长序列上表现相当但更内存高效和更快。3.2 RETHINKING ATTENTION WITH PERFORMERS重新思考注意力机制Performer模型「方法简述」论文介绍了Performers一种Transformer架构可以以可证明的准确性估计常规softmax全秩注意力Transformers但仅使用线性空间和时间复杂度。为了近似softmax注意力核Performers使用了一种新颖的快速注意通过正交随机特征方法FAVOR并可以用于高效地建模可核化的注意力机制。3.3 Linformer: Self-Attention with Linear Complexity具有线性复杂度的自注意力机制「方法简述」大型Transformer模型在自然语言处理应用中表现出色但长序列的训练和部署成本很高。本文提出一种新自注意力机制将复杂度从O(n^2)降低到O(n)同时保持性能不变。由此产生的Linformer比标准的Transformer更节省时间和内存。四、卷积Attention4.1 Conformer: Convolution-augmented Transformer for Speech Recognition用于语音识别的卷积增强Transformer「方法简述」Conformer是一种结合了卷积神经网络和Transformer的模型用于语音识别。它能够同时捕捉音频序列的局部和全局依赖关系并实现了最先进的准确率。在LibriSpeech基准测试中Conformer在不使用语言模型的情况下实现了2.1/4.3的WER在使用外部语言模型的情况下实现了1.9/3.9的WER。此外它还具有竞争力的小模型只有10M参数。4.2 LITE TRANSFORMER WITH LONG-SHORT RANGE ATTENTION具有长短范围注意力的轻量级Transformer「方法简述」本文提出了一种高效的移动自然语言处理架构Lite Transformer它使用长短范围注意力LSRA来提高性能。LSRA将一组头专门用于局部上下文建模通过卷积另一组头则专门用于长距离关系建模通过注意力。在三个语言任务上Lite Transformer始终优于普通的Transformer。在受限资源下Lite Transformer比Transformer在WMT’14英法翻译任务上高出1.2/1.7 BLEU分数。最后的最后感谢你们的阅读和喜欢作为一位在一线互联网行业奋斗多年的老兵我深知在这个瞬息万变的技术领域中持续学习和进步的重要性。为了帮助更多热爱技术、渴望成长的朋友我特别整理了一份涵盖大模型领域的宝贵资料集。这些资料不仅是我多年积累的心血结晶也是我在行业一线实战经验的总结。这些学习资料不仅深入浅出而且非常实用让大家系统而高效地掌握AI大模型的各个知识点。如果你愿意花时间沉下心来学习相信它们一定能为你提供实质性的帮助。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】大模型知识脑图为了成为更好的 AI大模型 开发者这里为大家提供了总的路线图。它的用处就在于你可以按照上面的知识点去找对应的学习资源保证自己学得较为全面。经典书籍阅读阅读AI大模型经典书籍可以帮助读者提高技术水平开拓视野掌握核心技术提高解决问题的能力同时也可以借鉴他人的经验。对于想要深入学习AI大模型开发的读者来说阅读经典书籍是非常有必要的。实战案例光学理论是没用的要学会跟着一起敲要动手实操才能将自己的所学运用到实际当中去这时候可以搞点实战案例来学习。面试资料我们学习AI大模型必然是想找到高薪的工作下面这些面试题都是总结当前最新、最热、最高频的面试题并且每道题都有详细的答案面试前刷完这套面试题资料小小offer不在话下640套AI大模型报告合集这套包含640份报告的合集涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师还是对AI大模型感兴趣的爱好者这套报告合集都将为您提供宝贵的信息和启示。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】