Tổng quan
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.
Hạt nhân biểu diễn và chú ý tuyến tính là một khối xây dựng kỹ thuật ảnh hưởng đến chất lượng mô hình, chi phí cơ sở hạ tầng, độ trễ và độ tin cậy trên quy mô lớn.
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: sự chú ý của 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-x-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.
Làm chủ sự chú ý tuyến tính và hạt nhân biểu diễn
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. Hạt nhân biểu diễn và chú ý tuyến tính là một khối xây dựng kỹ thuật ảnh hưởng đến chất lượng mô hình, chi phí cơ sở hạ tầng, độ trễ và độ tin cậy trên quy mô lớn. Để xây dựng sự hiểu biết sâu sắc, hãy coi Hạt nhân biểu diễn và Sự chú ý tuyến tính như một mô hình vận hành chứ không phải một tính năng duy nhất: xác định kết quả mong muốn, làm rõ các giả định và tách biệt những gì hệ thống có thể làm một cách đáng tin cậy với những gì vẫn cần đến sự đánh giá của chuyên gia.
Trong thực tế, các nhóm mạnh sử dụng Hạt nhân biểu diễn và Chú ý tuyến tính sẽ tối ưu hóa các lựa chọn về kiến trúc, dữ liệu và cơ sở hạ tầng theo độ tin cậy và chi phí. Họ ghi lại các tiêu chí thành công rõ ràng, kiểm tra dựa trên dữ liệu và quy trình làm việc thực tế, đồng thời lặp lại dựa trên các kiểu thất bại được quan sát thay vì chiến thắng điểm chuẩn một lần. Đây là nơi sự hiểu biết về mặt lý thuyết biến thành khả năng bền vững trên toàn bộ sản phẩm, chính sách và hoạt động.
Các quyết định về kiến trúc sẽ thúc đẩy hiệu suất và chi phí vận hành trong nhiều năm. Đồng thời, Tối ưu hóa một điểm chuẩn có thể che giấu những điểm yếu lớn hơn của hệ thống. Cách tiếp cận linh hoạt nhất là kết hợp tốc độ thử nghiệm với kỷ luật quản trị: chạy thử nghiệm, thu thập bằng chứng, xuất bản nhật ký quyết định và liên tục cập nhật các biện pháp bảo vệ khi hành vi của mô hình, kỳ vọng của người dùng và các yêu cầu pháp lý phát triển.
Tác động chiến lược
Các quyết định về kiến trúc sẽ thúc đẩy hiệu suất và chi phí vận hành trong nhiều năm.
Các quyết định về kiến trúc sẽ thúc đẩy hiệu suất và chi phí vận hành trong nhiều năm. Trong quá trình triển khai chất lượng cao, điều này được chuyển thành các quy tắc vận hành, ranh giới quyền sở hữu và quy trình đánh giá định kỳ có thể đo lường được để các nhóm có thể mở rộng quy mô một cách tự tin thay vì mở rộng quy mô sự mơ hồ.
Giáo dục kỹ thuật giúp các nhóm chọn nhóm phù hợp chứ không chỉ nhóm mới nhất.
Giáo dục kỹ thuật giúp các nhóm chọn nhóm phù hợp chứ không chỉ nhóm mới nhất. Trong quá trình triển khai chất lượng cao, điều này được chuyển thành các quy tắc vận hành, ranh giới quyền sở hữu và quy trình đánh giá định kỳ có thể đo lường được để các nhóm có thể mở rộng quy mô một cách tự tin thay vì mở rộng quy mô sự mơ hồ.
Lựa chọn kỹ thuật tốt hơn làm giảm sự cố về độ tin cậy trong sản xuất.
Lựa chọn kỹ thuật tốt hơn làm giảm sự cố về độ tin cậy trong sản xuất. Trong quá trình triển khai chất lượng cao, điều này được chuyển thành các quy tắc vận hành, ranh giới quyền sở hữu và quy trình đánh giá định kỳ có thể đo lường được để các nhóm có thể mở rộng quy mô một cách tự tin thay vì mở rộng quy mô sự mơ hồ.
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
Các mẫu triển khai
Hạt nhân biểu diễn và sự chú ý tuyến tính trong thực tế
Xử lý các chuỗi gen hoặc protein dài trong đó việc chú ý hoàn toàn đến bậc hai sẽ làm cạn kiệt bộ nhớ GPU.
Xử lý các chuỗi gen hoặc protein dài trong đó sự chú ý toàn phương sẽ làm cạn kiệt bộ nhớ GPU Các nhóm thường đạt được kết quả tốt hơn khi họ xác định trước các ngưỡng chất lượng, theo dõi lộ trình leo thang của con người đối với các trường hợp khó khăn và theo dõi cả mức tăng năng suất và chi phí lỗi theo thời gian.
Hạt nhân biểu diễn và sự chú ý tuyến tính trong thực tế
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.
Tóm tắt ở cấp độ tài liệu qua các báo cáo rất dài mà không cần phân đoạn, sử dụng xương sống kiểu Người thực hiện. Các nhóm thường nhận được kết quả tốt hơn khi họ xác định trước các ngưỡng chất lượng, duy trì lộ trình leo thang của con người đối với các trường hợp khó khăn và theo dõi cả mức tăng năng suất và chi phí do lỗi theo thời gian.
Hạt nhân biểu diễn và sự chú ý tuyến tính trong thực tế
Mô hình hóa chuỗi thời gian hoặc âm thanh dạng dài hiệu quả trong đó các chuỗi trải dài hàng chục nghìn bước.
Mô hình hóa chuỗi thời gian hoặc âm thanh dạng dài hiệu quả trong đó các chuỗi trải dài hàng chục nghìn bước. Các nhóm thường đạt được kết quả tốt hơn khi xác định trước các ngưỡng chất lượng, duy trì lộ trình báo cáo của con người đối với các trường hợp khó khăn và theo dõi cả mức tăng năng suất và chi phí lỗi theo thời gian.
Hạt nhân biểu diễn và sự chú ý tuyến tính trong thực tế
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.
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. Các nhóm thường đạt được kết quả tốt hơn khi xác định trước các ngưỡng chất lượng, duy trì lộ trình leo thang của con người đối với các trường hợp phức tạp và theo dõi cả mức tăng năng suất và chi phí lỗi theo thời gian.
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.
Xác định các mục tiêu về độ trễ, chất lượng và chi phí trước khi triển khai. Hãy coi mỗi bước như một cổng bằng chứng: nếu không đáp ứng được các tiêu chí, hãy tạm dừng triển khai, thu hẹp khoảng cách và chỉ sau đó mới mở rộng mức sử dụng.
Điểm chuẩn trong điều kiện tải và dữ liệu thực tế.
Điểm chuẩn trong điều kiện tải và dữ liệu thực tế. Hãy coi mỗi bước như một cổng bằng chứng: nếu không đáp ứng được các tiêu chí, hãy tạm dừng triển khai, thu hẹp khoảng cách và chỉ sau đó mới mở rộng mức sử dụng.
Giám sát thiết bị về lỗi, độ lệch và tác động của người dùng.
Giám sát thiết bị về lỗi, độ lệch và tác động của người dùng. Hãy coi mỗi bước như một cổng bằng chứng: nếu không đáp ứng được các tiêu chí, hãy tạm dừng triển khai, thu hẹp khoảng cách và chỉ sau đó mới mở rộng mức sử dụng.
Chuẩn bị đường dẫn khôi phục và ứng phó sự cố trước khi mở rộng quy mô.
Chuẩn bị đường dẫn khôi phục và ứng phó sự cố trước khi mở rộng quy mô. Hãy coi mỗi bước như một cổng bằng chứng: nếu không đáp ứng được các tiêu chí, hãy tạm dừng triển khai, thu hẹp khoảng cách và chỉ sau đó mới mở rộng mức sử dụng.