近期关于Transformer结构有潜力的改进方法总结

0 引言

标准Transformer在最新的实际大模型中并没有被采用了，而是使用其相关的改进版本，原因是标准Transformer的实现有比较显著的缺点：

Attention的时间复杂度较高，为 $O(n^2)$ ，导致输入token序列长度较无法设置得过大。
显存占用大，是因为Attention、多头、FFN导致的参数量大。

以下总结了几个较受关注及个人认为比较有潜力的改进，帮助快速了解，同时推荐大家仔细研读原论文。

1 Gated Linear Unit (GLU)

论文：GLU Variants Improve Transformer，2020.2

1.1 思路

GLU主要是改进并替换掉Transformer结构中的FFN层，Attention层并没有变化。
标准的FFN是两层MLP:
$\phi (XW_u) W_o$
其中 $\in \R^{n \times d},W_u\in \R^{d \times e},W_o\in \R^{e \times d}$ , $\phi$ 为激活函数，通常是ReLU。
GLU将FFN的两个参数矩阵拆分成了三个参数矩阵，其形式为：
$\begin{equation} \begin{split} U &= \phi_u (XW_u) \\ V &= \phi_v (XW_v) \\ O &= (U \odot V) W_o \end{split} \end{equation}$

其中 $U\in \R^{d \times e},V\in \R^{d \times e}$ , $\phi$ 为激活函数（ $U, V$ 是否带激活函数是可选项，并且激活函数也可选择不同的）， $\odot$ 是对应位置元素相乘（Hadamard 积）。使用了GLU代替标准FFN的效果更好，并为后来的 mT5 所用。
在这里插入图片描述
论文中， $U, V$ 是否带激活函数 $\phi$ 是可选项，并且激活函数也可选择不同的。作者给出几种GLU变体组合： $U$ 不加激活函数， $V$ 的激活函数分别选择Sigmoid、ReLU、GELU、Swish、缺省等情况。并做了实验表明 $V$ 的激活函数选择GELU、Swish时效果较其他几种更好，实验结果如下图。
在这里插入图片描述

一般情况下的GLU是 $U$ 不加激活函数,而 $V$ 加Sigmoid，但这篇论文的代码实现中 $U, V$ 都加了激活函数Swish（也叫 SiLU，Sigmoid Linear Unit）。

2 Gated Attention Unit (GAU)

论文：Transformer Quality in Linear Time，Google Research, 2022.1
开源实现（非官方）：https://github.com/lucidrains/FLASH-pytorch
论文中提出了一个新的模型代替Transformer，命名为 FLASH：Fast Linear Attention with a Single Head

2.1 思路

虽然GLU论文通过实验证明很有效，但是它并不能取代Attention，因为它的各个token之间没有进行交互，即矩阵 $U, V$ 的每一行都是独立运算的。所以GAU想办法将 $U, V$ 与Attention结合，在GLU基础上做出了如下设计：
$\phi (U \odot AV) W_o$
其中， $A\in \R^{n \times n}$ 是 Attention 矩阵，负责融合 token 之间的信息。这样输出的 $O$ 就包含了token之间的交互，原则上可以取代标准Attention。事实上，可以用只用GAU堆叠实现Transformer，替换其中的Attention和FFN层。

GAU结构示意图如下：
在这里插入图片描述
GAU伪代码：

2.2 实验结论

研究者在下图中展示了 GAU 与 Transformers 的比较情况，结果显示对于不同模型大小，GAU 在 TPUs 上的性能可与 Transformers 竞争。需要注意，这些实验是在相对较短的上下文大小（512）上进行的。
在这里插入图片描述
下表 1 和表 2 为层消融实验，结果显示 GAU 和 Transformers 各自都是局部最优的。

研究者从上述实验中得到了以下两个重要的观察结果，并受到启发将 GAU 扩展至建模长序列中。

其一，GAU 中的门控机制使得可以使用没有质量损失的更弱的（单头、无softmax）的注意力。如果进一步将这一思路引入到使用注意力建模长序列中，GAU也可以提升近似（弱）注意力机制的有效性，比如局部、稀疏和线性注意力。
其二，使用 GAU使注意力模块的数量自然地增加一倍，就开销而言，MLP+MHSA 约等于两个
GAU。由于近似注意力通常需要更多层来捕获完整依赖，因此这一特征使得 GAU 更适宜建模长序列。

2.3 混合注意力

根据现有线性复杂度的优缺点，研究者提出了混合块注意力（mixed chunk attention），它融合了局部二次注意力和块间全局线性注意力的优点。这是使GAU在长序列任务上线性时间内实现Transformer级的性能。具体推导不细讲，可以看一下伪代码。
在这里插入图片描述
实验效果也不错，对于从512到8192的所有序列长度，FLASH模型总是在相同的计算资源下获得最佳质量（即最低的复杂度）。如下图红色曲线所示。

3 FlashAttention

论文：FlashAttention: Fast and Memory-Efficient Exact Attention with IO-Awareness，2022.5
官方源码：https://github.com/hazyresearch/flash-attention
该方法在增加了一定的FLOPs情况下显著节省显存和加速，我们重点关注这个方法。

3.1 标准Attention的实现

在标准的Attention中，Q、K、V作为输入，大小为N×d，如下图所示，在计算中需要存储中间值S和P到显存HBM（High Bandwidth Memory）中，这会极大占用HBM。
在这里插入图片描述

3.2 FlashAttention的实现

FlashAttention旨在避免从 HBM中读取和写入注意力矩阵，这需要做到：

目标1：在不访问整个输入的情况下计算softmax函数；
目标2：在后向传播中不能存储中间注意力矩阵。

针对目标1

已知SRAM、HBM、DRAM存储容量依次升高，数据IO速度依次降低，如下图所示。那么可以将Q，K，V矩阵划分成多个小的子块，这些子块的大小恰好能从HBM加载进SRAM中，循环将子块传递进SRAM中以增量方式计算出Softmax值。
在这里插入图片描述

在这里插入图片描述

针对目标2

在后向传播中不存储中间注意力矩阵，以FlashAttention所提供的算法为例，通过对比标准Attention算法在实现过程中，标准Attention算法的实现需要将计算过程中的S、P写入到HBM中，而这些中间矩阵的大小与输入的序列长度有关且为二次型，因此Flash Attention就提出了不使用中间注意力矩阵，通过存储归一化因子来减少HBM内存的消耗。

在Flash Attention的前向计算算法（上图 Algorithm 2中）中我们可以看出，Flash Attention算法并没有将S、P写入HBM中去，而是通过分块写入到HBM中去，存储前向传递的 softmax 归一化因子，在后向传播中快速重新计算片上注意力，这比从HBM中读取中间注意力矩阵的标准方法更快。
优点是：即使由于重新计算导致FLOPs增加，但其运行速度更快并且使用更少的内存（序列长度线性），主要是因为大大减少了 HBM 访问量。实验对比如下图。
在这里插入图片描述

4 总结

MLM类模型中测试显示，在序列较短的情况下，GAU没什么优势，但是序列长度较长（超过512），GAU更省显存并且更快。
FlashAttention是在考虑不同存储IO速度的情况下对标准Attention中的Softmax进行分块计算，算是一种动态规划的方法。这是一种加速和减少显存占用的方法，并没有改变Transformer的结构。这可以用来大幅增加token序列长度而不显著地增加显存占用和降低推理速度，该方法已经获得广泛关注，可以在一些新近实现的开源模型代码中看见该方法的应用。