概述
注意力推出是一种跟踪信息如何流经 Transformer 堆叠注意力层的方法，以解释哪些输入标记影响预测。头部剪枝去除了贡献很小的注意力头，缩小了模型，而不会影响准确性。它们一起帮助我们解释和压缩变形金刚。
注意力推出和头部修剪是一个技术构建块，会大规模影响模型质量、基础设施成本、延迟和可靠性。
深入探讨
变形金刚将他们的推理传播到许多层的许多注意力头上，因此单层的注意力图很少能讲述整个故事。 Abnar 和 Zuidema 在 2020 年引入了注意力机制，通过逐层乘以注意力矩阵（在考虑剩余连接之后）来解决这个问题，以估算每个输入标记最终对给定输出标记的贡献程度。另外，米歇尔及其同事的研究“十六个头真的比一个好吗？”表明许多头是冗余的：可以在推理时修剪很大一部分，而准确性损失可以忽略不计。头部修剪按重要性对头部进行排名，通常使用基于梯度的敏感度分数，然后掩盖最不有用的头部。这两种技术是互补的：推出揭示了网络的哪些部分对于解释很重要，而修剪则作用于冗余以使模型更小、更快。
技术洞察
注意力推出将每一层的注意力视为转换矩阵，添加一个恒等组件来对残差跳跃连接进行建模，对行进行归一化，并将这些矩阵跨层相乘以获得累积的令牌到令牌的影响。头部修剪通常通过相对于头部掩模变量的损失的预期梯度来估计每个头部的重要性，然后将低得分的头部归零。两者都依赖于多头注意力的模块化结构。
掌握注意力展开和头部修剪
注意力推出是一种跟踪信息如何流经 Transformer 堆叠注意力层的方法，以解释哪些输入标记影响预测。头部剪枝去除了贡献很小的注意力头，缩小了模型，而不会影响准确性。它们一起帮助我们解释和压缩变形金刚。注意力推出和头部修剪是一个技术构建块，会大规模影响模型质量、基础设施成本、延迟和可靠性。为了建立深入的理解，请将注意力推出和头部修剪视为一种操作模型，而不是单一功能：定义期望的结果，澄清假设，并将系统可以可靠地完成的任务与仍需要专家判断的任务分开。
在实践中，强大的团队使用注意力推出和头部修剪来根据可靠性和成本优化架构、数据和基础设施选择。他们记录明确的成功标准，根据实际数据和工作流程进行测试，并根据观察到的失败模式而不是一次性基准测试胜利进行迭代。这就是理论理解转变为跨产品、政策和运营的持久能力的地方。
多年来，架构决策决定着性能和运营成本。与此同时，优化一个基准测试可以隐藏更广泛的系统弱点。最具弹性的方法是将实验速度与治理规则结合起来：运行试点、捕获证据、发布决策日志，并随着模型行为、用户期望和监管要求的发展不断更新保障措施。
战略影响
多年来，架构决策决定着性能和运营成本。
多年来，架构决策决定着性能和运营成本。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
技术教育帮助团队选择正确的堆栈，而不仅仅是最新的堆栈。
技术教育帮助团队选择正确的堆栈，而不仅仅是最新的堆栈。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
更好的工程选择可以减少生产中的可靠性事故。
更好的工程选择可以减少生产中的可靠性事故。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
现实世界的实施
通过关注突出显示有影响力的标记，可视化 Transformer 分类器依赖于句子中的哪些单词
通过修剪冗余注意力头来减少延迟，压缩用于移动部署的 BERT 模型
通过跟踪从预测到敏感输入标记的注意力流来审核模型的偏差
通过删除通过敏感性评分识别的低重要性头部，加速生产翻译系统中的推理
实施模式
实践中的注意力推出和头部修剪
通过关注突出显示有影响力的标记，可视化 Transformer 分类器依赖于句子中的哪些单词。
通过集中注意力来突出显示有影响力的标记，可视化 Transformer 分类器依赖于句子中的哪些单词。当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会获得更好的结果。
实践中的注意力推出和头部修剪
通过修剪冗余注意力头来减少延迟，压缩用于移动部署的 BERT 模型。
通过修剪多余的注意力头来减少延迟，压缩用于移动部署的 BERT 模型当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会获得更好的结果。
实践中的注意力推出和头部修剪
通过跟踪从预测到敏感输入标记的注意力流来审核模型的偏差。
通过跟踪从预测到敏感输入标记的注意力流来审核模型是否存在偏差当团队预先定义质量阈值、为边缘情况保留人工升级路径并跟踪一段时间内的生产力增益和错误成本时，通常会获得更好的结果。
实践中的注意力推出和头部修剪
通过删除通过敏感性评分识别的低重要性头部，加速生产翻译系统中的推理。
通过删除通过敏感性评分识别出的低重要性头来加速生产翻译系统中的推理当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会得到更好的结果。
风险与防护栏
优化一项基准测试可以隐藏更广泛的系统弱点。
基础设施和维护成本常常被低估。
随着系统变得更加复杂，安全性和可观察性差距可能会扩大。
实施路线图
在实施之前定义延迟、质量和成本目标。
在实施之前定义延迟、质量和成本目标。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
在实际负载和数据条件下进行基准测试。
在实际负载和数据条件下进行基准测试。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
仪器监控错误、漂移和用户影响。
仪器监控错误、漂移和用户影响。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
在扩展之前准备回滚和事件响应路径。
在扩展之前准备回滚和事件响应路径。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。