相关博客
【自然语言处理】【长文本处理】RMT：能处理长度超过一百万token的Transformer
【自然语言处理】【大模型】MPT模型结构源码解析(单机版)
【自然语言处理】【大模型】ChatGLM-6B模型结构代码解析(单机版)
【自然语言处理】【大模型】BLOOM模型结构源码解析(单机版)
【自然语言处理】【大模型】极低资源微调大模型方法LoRA以及BLOOM-LORA实现代码
【深度学习】【分布式训练】Collective通信操作及Pytorch示例
【自然语言处理】【大模型】Chinchilla：训练计算利用率最优的大语言模型
【自然语言处理】【大模型】大语言模型BLOOM推理工具测试
【自然语言处理】【大模型】GLM-130B：一个开源双语预训练语言模型
【自然语言处理】【大模型】用于大型Transformer的8-bit矩阵乘法介绍
【自然语言处理】【大模型】BLOOM：一个176B参数且可开放获取的多语言模型
【自然语言处理】【ChatGPT系列】FLAN：微调语言模型是Zero-Shot学习器
【自然语言处理】【ChatGPT系列】ChatGPT的智能来自哪里？

RMT：能处理超过一百万token的Transformer

​ 近日，RMT的作者放出的评测报告中声称其可以将Transformer能够处理的最大长度放宽到超过100万个tokens。让我们来看看RMT的原理及其实验细节。

一、RMT

论文地址：https://arxiv.org/pdf/2207.06881.pdf

1. 背景

​ 自注意力机制为Transformer的核心组件之一，赋予模型针对单个token聚合上下文tokens的能力。因此，每个token在编码结束后，都能够获得丰富的上下文表示。但是，这种方式会造成全局信息和局部信息都被存储在单个表示中。全局特征被分别存储在所有的token表示上，导致全局特征“模糊”且难以访问。此外，自注意力机制的计算复杂度是输入长度的平方，这也造成模型难以应用在长文本输入上。

​ RMT(Recurrent Memory Transformer)是一种片段级、记忆增强的Transformer，用于解决Transformer在长文本上的问题。RMT使用一种附加在输入序列上的特定记忆token
来实现记忆机制。这些"记忆token"为模型提供了额外的存储容量，便于模型处理那些没有直接表达至任何token的信息。

2. 方法

2.1 Transformer-XL

​ Transformer-XL基于片段级循环和相对位置编码，实现了一种state重用的缓存机制。对于每个transformer层$n$，前一个片段$M^n$计算出的hidden state会被缓存。第$n$层的输入的组成：(1) 前$m$个缓存的内容；(2) 前一个Transformer层针对当前片段$\tau$的输出；即
$${\tilde{H}}_{\tau }^{n-1}=[SG(M_{-m:}^{n-1})\circ H_{\tau }^{n-1}]$$
这里，$M_{-m:}^{n-1}$是第$n-1$层的前$m$个缓存内容，$SG$表示不需要梯度，$\circ$表示拼接，$H_{\tau }^{n-1}$表示模型第$n-1$层的输出。

​ ${\tilde{H}}_{\tau }^{n-1}$是片段$\tau$针对模型第$n$层(TL)的输入，产生输出的过程为
$$\begin{array}{rl}{Q}_{\tau }^n& =W_q^n{H}_{\tau }^{n-1}\\ K_{\tau }^n& =W_k^n{\tilde{H}}_{\tau }^{n-1}\\ V_{\tau }^n& =W_v^n{\tilde{H}}_{\tau }^{n-1}\\ H_{\tau }^n& =TL(Q_{\tau }^n,K_{\tau }^n,V_{\tau }^n)\end{array}$$
其中，$W_q^n,W_k^n,W_v^n$是注意力的投影矩阵。注意，$K_{\tau }^n$和$V_{\tau }^n$在计算时使用的是包含了缓存内容的${\tilde{H}}_{\tau }^{n-1}$，而$Q_{\tau }^n$则使用了$H_{\tau }^{n-1}$。在Transformer-XL的自注意力层中使用了相似位置编码。

2.2 RMT

​ 像GMAT、ETC、Memory Transformer等记忆增强的Transformer模型，通常会使用特殊的全局tokens来存储表示。通常，"记忆token"s会被添加至输入序列的开头位置。然而，decoder-only架构的causal attention mask使得在序列开始处的"记忆token"s无法收集到后续tokens的信息。若把"记忆token"放置在序列的末尾，前面的token就无法访问这些表示。为了解决这个问题，在序列样本处理时添加了一个循环。"记忆token"的表示放置在当前片段的末尾，然后作为下一个片段开始和末尾的记忆表示初始化。

​ RMT的输入是在标准方式基础上，添加了特殊tokens $[\text{mem}]$。每个"记忆token"都是一个实值向量。$m$个"记忆token"分别被拼接至当前片段表示${\text{H}}_r^0$的开始和末尾：
$$\begin{array}{rl}& {\tilde{H}}_{\tau }^0=[H_{\tau }^{mem}\circ H_{\tau }^0\circ H_{\tau }^{mem}]\\ & {\bar{H}}_{\tau }^N=\text{Transformer}({\tilde{H}}_{\tau }^0)\\ & [H_{\tau }^{read}\circ H_{\tau }^N\circ H_{\tau }^{write}]:={\bar{H}}_{\tau }^N\end{array}$$
其中，$N$的模型的层数。总的来说，就是前一片段的"记忆token"拼接当前片段，然后进行前向传播。传播的结果中包含了当前层的表现以及"记忆token"的表示。

​ 序列开始处的一组"记忆token"被称为"读记忆"，其允许后续的tokens能够读取前一个片段的信息。末尾处的一组"记忆token"则称为"写记忆"，其能够更新“记忆”的表示。因此，$H_{\tau }^{write}$包含了片段$\tau$的更新后"记忆token"s。

​ 输入序列中的片段会被顺序处理。为了使片段间能够循环链接，将当前片段输出的"记忆token"传递给下一个片段的输入：
$$\begin{array}{rl}& H_{\tau +1}^{mem}:=H_{\tau }^{write}\\ & {\tilde{H}}_{\tau +1}^0=[H_{\tau +1}^{mem}\circ H_{\tau +1}^0\circ H_{\tau +1}^{mem}]\end{array}$$
RMT是基于全局"记忆token"实现的，其能够保证骨干Transformer不变的情况下，增强任意Transformer类模型的能力。“记忆token”仅在模型的输入和输出上进行操作。

2.3 两者的区别

(1) RMT为每个片段存储$m$个记忆向量，而Transformer-XL则为每个片段存储$m\times N$向量。

(2) RMT会将前一个片段的记忆表示与当前片段的tokens一起送入Transformer层进行处理。

(3) "读/写记忆"块能够访问当前块的所有tokens，causal attention mask仅应用在输入序列上。

(4) 不同于Transformer-XL，RMT反向传播时不会去掉"记忆"部分的梯度。(本文实验的片段间梯度传播范围从0到4)

3. 原论文实验

​ 上图是RMT在三个需要长文本处理能力的任务Copy、Reverse和Associative retrieval上的实验结果。图的横坐标是切分的片段数，纵坐标是准确率。可以看到，RMT的效果都更好。

​ 上表是语言建模任务的困惑度指标。显然，Transformer-XL和RMT的效果要好于baseline模型和Memory Transformer。

二、扩展至100万tokens

论文地址：https://arxiv.org/pdf/2304.11062.pdf

1. RMT Encoder版

​ 输入样本被分割为$m$个片段，"记忆token"被添加到片段的开始，并与片段的其余tokens一起处理。对于BERT这样的encoder-only结构，"记忆token"仅被添加到片段的开始，而不像decoder-only那样分别添加read和write。对于时间步$\tau$和片段$H_{\tau }^0$，执行步骤为：
$$\begin{array}{rl}& {\tilde{H}}_{\tau }^0=[H_{\tau }^{mem}\circ H_{\tau }^0]\\ & {\bar{H}}_{\tau }^N=\text{Transformer}({\tilde{H}}_{\tau }^0)\\ & [{\bar{H}}_{\tau }^{mem}\circ H_{\tau }^N]:={\bar{H}}_{\tau }^N\end{array}$$
其中，$N$是Transformer的层数。

​ 在前向传播后，${\bar{H}}_{\tau }^{mem}$片段$\tau$的记忆token。输入序列的片段会按顺序逐个被处理。为了确保能够实现递归的连接，将当前片段的"记忆token"传递为下一个片段的输入：
$$\begin{array}{rl}& H_{\tau +1}^{mem}:={\bar{H}}_{\tau }^{mem}\\ & {\tilde{H}}_{\tau +1}^0=[H_{\tau +1}^{mem}\circ H_{\tau +1}^0]\end{array}$$

2. 记忆任务

​ 为了测试记忆能力，构建了需要记忆简单事实和基本推理的合成数据集。任务的输入是若干个事实和一个需要通过这些事实才能回答的问题。任务的形式为6分类，每个类别表示一个独立的答案选项。

• 事实记忆

  该任务是测试RMT长时间存储信息的能力。在最简单的例子中，事实总是位于输入的开始，而问题在输入的末尾。问题和答案之间插入不相关的文本，完整的输入无法放入单个模型中。

• 事实检测和记忆

  该任务增加了难度，将事实移动到随机的位置。需要模型从不相关文本中区分出事实，写入到记忆中，随后用来回答问题。

• 用记忆的事实进行推理

  两个事实被添加至输入的随机位置上，问题放置在输入的末尾，该问题需要所有的事实才能回答。

3. 实验

​ 实验使用bert-base-cased作为backbone。所有模型都是用尺寸为10的memory来增强，并使用AdamW优化器进行优化。

3.1 课程学习

​ 使用训练schedule能够极大的改善准确率和稳定性。初始，RMT在较短的任务上进行训练，在训练收敛之后，再继续增加长度。

3.2 外推能力

​ 为了评估RMT泛化到不同序列长度的能力，评估了在不同长度上训练的模型，结果如上图。模型在较短的任务上效果更好。唯一的例外是单片段推理任务，模型一旦在更长序列上训练，那么效果就会变差。

​ 随着训练片段数量的增加，RMT也能够泛化到更长的序列上。在5个或者更长的片段上进行训练后，RMT几乎可以完美的泛化到两倍的长度。

​ 为了能够测试泛化的极限，将验证任务的尺寸从4096增加至2043904，RMT在如此长的序列上也能够有很好的效果。

三、总结

• 总的来说，RMT的思路简单。相比Transformer-XL来说，片段间传递的参数会少很多。
• RMT采用递归的方式传递信息，那么训练时梯度也需要回传，这导致训练时不太能并行。
• 原始论文中采用decoder-only架构，但是在扩展至百万tokens的实验中采用了encoder-only架构，是decoder-only的效果不够好吗？
• 评测的任务总体比较简单，迁移至当前的LLM上效果怎么样还比较难以确定。