Hạt nhân biểu diễn và sự chú ý tuyến tính
Sự chú ý tuyến tính thay thế sự chú ý softmax bậc hai trong Transformers bằng một thủ thuật toán học có tỷ lệ tuyến tính theo độ dài chuỗi.
Tổng quan
Performer là một phương pháp mang tính bước ngoặt xấp xỉ softmax bằng cách sử dụng các kernel tính năng ngẫu nhiên, giúp các chuỗi rất dài trở nên khả thi về mặt tính toán.
Lặn sâu
Sự chú ý của Máy biến áp tiêu chuẩn tính toán điểm giữa mỗi cặp mã thông báo, tiêu tốn thời gian và bộ nhớ tăng theo bình phương độ dài chuỗi (O(n^2)). Chú ý tuyến tính viết lại phép tính để chi phí chỉ tăng tuyến tính (O(n)). Ý tưởng chính: chú ý đến softmax là softmax(QK^T)V, nhưng nếu bạn thay thế softmax bằng phi bản đồ tính năng kernel, bạn sẽ nhận được phi(Q)(phi(K)^T V). Vì phép nhân ma trận có tính kết hợp nên trước tiên bạn tính phi(K)^T V (ma trận d-by-d nhỏ), tránh hoàn toàn ma trận điểm n-by-n khổng lồ. Người biểu diễn, từ Google vào năm 2020, biến điều này thành một giá trị gần đúng trung thực của softmax thực sự bằng cách sử dụng FAVOR+ (Chú ý nhanh thông qua các tính năng ngẫu nhiên trực giao tích cực), vẽ các phép chiếu ngẫu nhiên giúp ước tính hạt nhân không thiên vị và ổn định.
Hiểu biết kỹ thuật
Performanceer's FAVOR+ gần đúng với exp(q.k) của hạt nhân softmax bằng cách sử dụng các tính năng ngẫu nhiên dương: nó ánh xạ các truy vấn và khóa thông qua các phép chiếu Gaussian ngẫu nhiên được bao bọc trong một hàm mũ, đảm bảo trọng số chú ý không âm và tránh sự bất ổn về mặt số học của các công cụ ước tính trước đó. Sử dụng các tính năng ngẫu nhiên trực giao làm giảm phương sai. Điều quan trọng là ma trận chú ý n-n-n không bao giờ được cụ thể hóa, do đó bộ nhớ giảm từ bậc hai xuống tuyến tính, tạo ra chuỗi hàng chục nghìn mã thông báo.
Tác động chiến lược
Chi phí và ngân sách
Các quyết định về kiến trúc sẽ thúc đẩy hiệu suất và chi phí vận hành trong nhiều năm.
Quyết định rõ ràng hơn
Giáo dục kỹ thuật giúp các nhóm chọn nhóm phù hợp chứ không chỉ nhóm mới nhất.
Kiểm soát chất lượng
Lựa chọn kỹ thuật tốt hơn làm giảm sự cố về độ tin cậy trong sản xuất.
Tương lai của sự chú ý tuyến tính và hạt nhân biểu diễn
Sự chú ý tuyến tính thuần túy thường kém softmax về chất lượng, vì vậy lĩnh vực này đang hội tụ trên các kết hợp: mô hình không gian trạng thái (Mamba), sự chú ý tuyến tính có kiểm soát và các kiến trúc kết hợp một vài lớp chú ý đầy đủ với nhiều lớp tuyến tính. Khi các cửa sổ ngữ cảnh hướng tới hàng triệu mã thông báo, các cơ chế tuyến tính và bậc hai ngày càng hấp dẫn về mặt chi phí và sự chú ý tuyến tính kiểu lặp lại đang được xem xét lại để có các mô hình suy luận trực tuyến và trên thiết bị hiệu quả.
Triển khai trong thế giới thực
Xử lý các chuỗi gen hoặc protein dài trong đó việc chú ý hoàn toàn theo phương pháp bậc hai sẽ làm cạn kiệt bộ nhớ GPU
Tóm tắt ở cấp độ tài liệu qua các báo cáo rất dài mà không cần phân đoạn, sử dụng xương sống kiểu Người biểu diễn
Mô hình hóa chuỗi thời gian hoặc âm thanh dạng dài hiệu quả trong đó các chuỗi trải dài hàng chục nghìn bước
Giảm chi phí suy luận trong các mô hình trò chuyện có ngữ cảnh dài bằng cách thay thế một số lớp softmax bằng các biến thể chú ý tuyến tính
Rủi ro & lan can
Tối ưu hóa một điểm chuẩn có thể che giấu những điểm yếu của hệ thống rộng hơn.
Chi phí cơ sở hạ tầng và bảo trì thường được đánh giá thấp.
Khoảng cách về bảo mật và khả năng quan sát có thể tăng lên khi hệ thống trở nên phức tạp hơn.
Lộ trình thực hiện
Xác định các mục tiêu về độ trễ, chất lượng và chi phí trước khi triển khai.
Điểm chuẩn trong điều kiện tải và dữ liệu thực tế.
Giám sát thiết bị về lỗi, độ lệch và tác động của người dùng.
Chuẩn bị đường dẫn khôi phục và ứng phó sự cố trước khi mở rộng quy mô.
Tiếp tục khám phá
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Linear Attention and Performer Kernels quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Hướng dẫn tiếp theo
Chú ý tuyến tính RWKV
Câu hỏi thường gặp
Linear Attention và Performer Kernel là gì?
Sự chú ý tuyến tính thay thế sự chú ý softmax bậc hai trong Transformers bằng một thủ thuật toán học có tỷ lệ tuyến tính theo độ dài chuỗi. Trình biểu diễn là một phương pháp mang tính bước ngoặt xấp xỉ softmax bằng cách sử dụng các hạt nhân tính năng ngẫu nhiên, tạo ra các chuỗi rất dài có giá cả phải chăng về mặt tính toán.
Tại sao sự chú ý của softmax tiêu chuẩn lại kém theo độ dài chuỗi?
Sự chú ý của Softmax so sánh từng cặp mã thông báo, tạo ra ma trận điểm n-n-n, do đó chi phí tăng theo O(n^2).
Thuộc tính toán học nào giúp sự chú ý tuyến tính tránh được ma trận n-by-n?
Vì phép nhân ma trận có tính kết hợp nên trước tiên bạn có thể tính phi(K)^T V, một ma trận d-by-d nhỏ, thay vì phi(Q)phi(K)^T.
Cơ chế FAVOR+ của Người biểu diễn gần đúng như thế nào?
FAVOR+ sử dụng các tính năng ngẫu nhiên trực giao dương để ước tính hạt nhân softmax theo cấp số nhân mà không tạo thành ma trận chú ý đầy đủ.
Tại sao Trình biểu diễn sử dụng các tính năng ngẫu nhiên dương thay vì các tính năng lượng giác trước đó?
Các tính năng tích cực giữ cho các ước tính hạt nhân không âm, tránh sự mất ổn định và các giá trị âm gây cản trở cho các bản đồ tính năng sin/cos trước đó.
Độ phức tạp gần đúng của sự chú ý tuyến tính kiểu Người biểu diễn trong độ dài chuỗi n là bao nhiêu?
Bằng cách sắp xếp lại thứ tự tính toán và không bao giờ xây dựng ma trận n-by-n, chi phí sẽ tăng tuyến tính theo độ dài chuỗi.