التاليالدليل التالي
الانتباه الكامن متعدد الرؤوس
لغة الذكاء الاصطناعي
الدليل الفني
طرح الاهتمام وتشذيب الرأس
يعد طرح الانتباه طريقة لتتبع كيفية تدفق المعلومات عبر طبقات الانتباه المكدسة للمحول لشرح رموز الإدخال التي تؤثر على التنبؤ.
استمع إلى هذا الدليلرواه الذكاء الاصطناعي · ~2 min
في هذه الصفحةقراءة لمدة دقيقتين
نظرة عامة
تقليم الرأس يزيل رؤوس الانتباه التي تضيف نماذج صغيرة وصغيرة دون الإضرار بالدقة. معا يساعداننا في تفسير وضغط المحولات.
الغوص العميق
ينشر المحولون منطقهم عبر العديد من رؤوس الانتباه في العديد من الطبقات، لذلك نادرًا ما تروي خريطة الانتباه لطبقة واحدة القصة بأكملها. يعمل طرح الانتباه، الذي قدمه أبنار وزويديما في عام 2020، على إصلاح هذه المشكلة عن طريق ضرب مصفوفات الانتباه طبقة تلو الأخرى (بعد حساب الاتصالات المتبقية) لتقريب مقدار مساهمة كل رمز إدخال مميز في نهاية المطاف في رمز إخراج معين. بشكل منفصل، بحث مثل ميشيل وزملائه بعنوان "هل الستة عشر رأسًا أفضل حقًا من رأس واحد؟" أظهر أن العديد من الرؤوس زائدة عن الحاجة: يمكن تقليم جزء كبير في وقت الاستدلال مع خسارة ضئيلة في الدقة. يقوم تقليم الرأس بترتيب الرؤوس حسب الأهمية، وغالبًا ما يستخدم درجات حساسية تعتمد على التدرج، ثم يخفي أقلها فائدة. إن التقنيتين متكاملتان: فالطرح يكشف أي أجزاء الشبكة مهمة للتفسير، ويعمل التقليم على التكرار لجعل النماذج أصغر حجمًا وأسرع.
التنفيذ في العالم الحقيقي
تصور الكلمات الموجودة في الجملة التي يعتمد عليها مصنف Transformer، من خلال توجيه الانتباه لتسليط الضوء على الرموز المميزة المؤثرة
ضغط نموذج BERT للنشر على الأجهزة المحمولة عن طريق تقليم رؤوس الاهتمام الزائدة لتقليل زمن الوصول
تدقيق نموذج للتحيز من خلال تتبع تدفق الانتباه من التنبؤ إلى رموز الإدخال الحساسة
تسريع الاستدلال في أنظمة ترجمة الإنتاج عن طريق إزالة العناصر ذات الأهمية المنخفضة التي تم تحديدها من خلال تسجيل الحساسية
مستقبل طرح الاهتمام وتشذيب الرأس
ومع نمو النماذج، يصبح الاستدلال الفعال والتفسيرات الجديرة بالثقة أكثر إلحاحًا. توقع أن يتم دمج تقليم الرأس مع التقليم المنظم، والتكميم، والتقطير في خطوط أنابيب النشر لتقديم الخدمة الحساسة للتكلفة والحافة. تتقدم القابلية للتفسير إلى ما هو أبعد من مجرد الطرح نحو تدفق الانتباه، وأساليب التدرج الموزون، وتحليل الدوائر الآلية التي تستكشف وظائف الرؤوس الفردية. إن الضغط التنظيمي من أجل الذكاء الاصطناعي القابل للتفسير سيستمر في دفع الأبحاث التي تربط بين الرؤساء المهمين وما يحسبونه بالفعل.
وضعها موضع التنفيذ
لماذا يهم
- التكلفة والميزانية. تؤدي قرارات الهندسة المعمارية إلى زيادة الأداء وتكلفة التشغيل لسنوات.
- قرارات أوضح. يساعد التعليم الفني الفرق على اختيار المجموعة المناسبة، وليس فقط المجموعة الأحدث.
- مراقبة الجودة. تعمل الخيارات الهندسية الأفضل على تقليل حوادث الموثوقية في الإنتاج.
احترس من
- يمكن أن يؤدي تحسين معيار واحد إلى إخفاء نقاط ضعف النظام الأوسع.
- غالبًا ما يتم التقليل من تكاليف البنية التحتية والصيانة.
- يمكن أن تنمو الفجوات الأمنية وقابلية المراقبة عندما تصبح الأنظمة أكثر تعقيدًا.
الخطوات التالية
- تحديد الكمون والجودة وأهداف التكلفة قبل التنفيذ.
- المعيار في ظل ظروف التحميل والبيانات الواقعية.
- مراقبة الأدوات للأخطاء والانجراف وتأثير المستخدم.
- قم بإعداد مسارات التراجع والاستجابة للحوادث قبل القياس.
استمر في الاستكشاف
رسالة إخبارية مجانية
احصل على الإحاطة اليومية لمنظمة العفو الدولية
ثلاث قصص تم التحقق منها بواسطة الذكاء الاصطناعي كل صباح من أيام الأسبوع، مكتوبة باللغة الإنجليزية البسيطة. مجاني للأبد، بدون إعلانات.
بريد إلكتروني واحد كل يوم من أيام الأسبوع. إلغاء الاشتراك بنقرة واحدة. نحن لا نبيع أو نشارك عنوانك أبدًا.
اختبر نفسك
Take the Attention Rollout and Head Pruning quiz
تعليقات فورية على كل إجابة، وشهادة قابلة للمشاركة مع معرف يمكن التحقق منه بمجرد اجتياز الدورة التدريبية.
دعم تعليم الذكاء الاصطناعي المجاني. AI Understanding هي منظمة 501(c)(3) غير ربحية - لا إعلانات ولا نظام حظر الاشتراك غير المدفوع على الإطلاق. قم بالتبرع
الأسئلة المتداولة
ما هو تدوير الانتباه وتقليم الرأس؟
يعد طرح الانتباه طريقة لتتبع كيفية تدفق المعلومات عبر طبقات الانتباه المكدسة للمحول لشرح رموز الإدخال التي تؤثر على التنبؤ. يؤدي تقليم الرأس إلى إزالة رؤوس الانتباه التي تساهم بشكل ضئيل في تقليص النماذج دون الإضرار بالدقة. يساعدوننا معًا في تفسير وضغط المحولات.
ما هو الهدف من نشر الاهتمام؟
تعمل عملية الطرح على مضاعفة الاهتمام على مستوى الطبقة (مع المخلفات) لتقريب كيفية تأثير كل رمز إدخال على المخرجات.
لماذا غالبًا ما تكون خريطة الانتباه ذات الطبقة الواحدة غير كافية للتفسير؟
ونظرًا لتوزيع المنطق عبر الطبقات والرؤوس المكدسة، لا يمكن لخريطة طبقة واحدة التقاط تدفق المعلومات الكامل.
ما الذي يضيفه طرح الانتباه إلى كل مصفوفة انتباه لمراعاة الاتصالات المتبقية؟
تؤدي إضافة مكون هوية إلى نموذج اتصال التخطي المتبقي الذي يتيح للرموز المميزة الاحتفاظ بمعلوماتها الخاصة.
ما الذي كشفته الأبحاث حول الاهتمام متعدد الرؤوس حول تكرار الرأس؟
دراسات مثل "هل الستة عشر رأسًا أفضل حقًا من رأس واحد؟" أظهر أن جزءًا كبيرًا من الرؤوس زائدة عن الحاجة عند الاستدلال.
كيف يتم تقدير أهمية الرأس عادة للتقليم؟
غالبًا ما يتم تسجيل الأهمية باستخدام تدرج الخسارة فيما يتعلق بمتغير القناع على كل رأس.
استمر في التعلم
أدلة ذات صلة
تم اختيار المزيد من الأدلة لهذا الموضوع