LegközelebbKövetkező útmutató
RWKV Lineáris Figyelem
Nyelvi AI
Műszaki ÚTMUTATÓ
A lineáris figyelem felváltja a kvadratikus softmax figyelmet a Transformersben egy matematikai trükkel, amely lineárisan skálázódik a sorozat hosszával.
Hallgassa meg ezt az útmutatótAI-narrált · ~2 min
A Performer egy mérföldkőnek számító módszer, amely a softmax-ot véletlenszerű funkciómagok segítségével közelíti meg, így a nagyon hosszú sorozatokat számításilag megfizethetővé teszi.
A Standard Transformer figyelem minden tokenek között egy pontszámot számít ki, időbe és memóriába kerül, ami a sorozathossz négyzetével (O(n^2)) nő. A lineáris figyelem átírja a számítást, így a költség csak lineárisan nő (O(n)). A kulcsötlet: a softmax figyelem a softmax(QK^T)V, de ha lecseréled a softmax-ot egy kernel phi jellemzőleképezésre, akkor phi(Q)(phi(K)^T V-t kapsz). Mivel a mátrixszorzás asszociatív, először a phi(K)^T V-t kell kiszámítani (egy kis d-szer mátrix), teljesen elkerülve az óriási n-szeres pontszámmátrixot. A Performer a 2020-as Google-tól ezt a valódi softmax hű közelítését teszi a FAVOR+ (Fast Attention Via pozitív orthogonal Random features) segítségével, véletlenszerű vetületeket rajzolva, amelyek elfogulatlanok és stabilan tartják a kernelbecsléseket.
Hosszú genomiális vagy fehérjeszekvenciák feldolgozása, ahol a teljes kvadratikus figyelem kimerítené a GPU memóriáját
Dokumentumszintű összegzés nagyon hosszú jelentéseken, darabolás nélkül, Performer-stílusú gerinchálózat segítségével
Hatékony hosszú formátumú hang- vagy idősoros modellezés, ahol a sorozatok több tízezer lépést ölelnek fel
A következtetési költségek csökkentése a hosszú kontextusú csevegési modellekben néhány softmax réteg lineáris figyelemfelkeltő változatokkal való helyettesítésével
A tiszta lineáris figyelem gyakran a softmax mögött követi a minőséget, ezért a mező konvergál a hibrideknél: állapottér modellek (Mamba), kapuzott lineáris figyelem és olyan architektúrák, amelyek néhány teljes figyelem réteget kevernek sok lineáris réteggel. Ahogy a kontextusablakok több millió tokenek felé tolódnak, a lineáris és szubkvadratikus mechanizmusok egyre vonzóbbak a költségek szempontjából, és a visszatérő stílusú lineáris figyelem a hatékony streaming következtetések és az eszközön lévő modellek felé fordul.
Ingyenes hírlevél
Minden hétköznap reggel három ellenőrzött AI történet, egyszerű angol nyelven. Örökké ingyen, hirdetések nélkül.
Minden hétköznap egy e-mail. Egy kattintással lemondhat. Soha nem értékesítjük vagy osztjuk meg az Ön címét.
Teszteld magad
Azonnali visszajelzés minden válaszra, és megosztható tanúsítvány egy ellenőrizhető azonosítóval, miután sikeresen teljesít egy kurzust.
Támogassa az ingyenes AI oktatást. AI Understanding egy 501(c)(3) nonprofit – nincs hirdetés, nincs fizetőfal, soha. Tegyen adományt
A lineáris figyelem felváltja a kvadratikus softmax figyelmet a Transformersben egy matematikai trükkel, amely lineárisan skálázódik a sorozat hosszával. A Performer egy mérföldkőnek számító módszer, amely a softmax-ot véletlenszerű funkciómagok segítségével közelíti meg, így a nagyon hosszú sorozatokat számításilag megfizethetővé teszi.
A Softmax figyelem minden tokenpárt összehasonlít, és n-szer n pontszámmátrixot hoz létre, így a költségek O(n^2) növekedéssel nőnek.
Mivel a mátrixszorzás asszociatív, a phi(Q)phi(K)^T helyett először a phi(K)^T V-t, egy kis d-by-d mátrixot számíthat ki.
A FAVOR+ pozitív ortogonális véletlenszerű jellemzőket használ az exponenciális softmax kernel közelítésére anélkül, hogy a teljes figyelemmátrixot alkotná.
A pozitív tulajdonságok megőrzik a kernel becsléseit, hogy ne legyenek negatívak, elkerülve a korábbi sin/cos jellemzőtérképeket sújtó instabilitásokat és negatív értékeket.
A számítás újrarendezésével, és soha nem építve fel az n-szeres mátrixot, a költség lineárisan skálázódik a sorozat hosszával.
Tanulj tovább
További útmutatók készültek ehhez a témához
LegközelebbKövetkező útmutató
RWKV Lineáris Figyelem
Nyelvi AI