论文地址：https://arxiv.org/pdf/2412.09764
相关博客
【自然语言处理】利用Memory Layer替换Transformer中的FFN
【自然语言处理】【大模型】BitNet：用1-bit Transformer训练LLM
【自然语言处理】BitNet b1.58：1bit LLM时代
【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)
本文提出了一种memory layer用于替换Transformer中的FFN，从而提升模型的知识容量。
一、Memory Layer
这里定义的memory layer与注意力机制类似。即给定query q ∈ R n q\in\mathbb{R}^n q∈Rn、一组key K ∈ R N × n K\in\mathbb{R}^{N\times n} K∈RN×n和一组value V ∈ R N × n V\in\mathbb{R}^{N\times n} V∈RN×n，最终输出value的软组合。但是，memory layer与标准注意力层有两个区别：
(1) 标准注意力中key和value是激活值，而memory layer中是可训练参数；
(2) memory layer中的key和value规模要比标准注意力大很多，需要稀疏查询和更新；
Memory Layer的正式描述。
I
=
SelectTopkIndices
(
K
q
)
,
s
=
Softmax
(
K
I
q
)
,
y
=
s
V
I
(1)
I=\text{SelectTopkIndices}(Kq),\quad s=\text{Softmax}(K_I q),\quad y=sV_I\tag{1} \\
I=SelectTopkIndices(Kq),s=Softmax(KIq),y=sVI(1)
其中：
- I I I是选中的key-value对的索引集合；
- s ∈ R k s\in\mathbb{R}^k s∈Rk是权重向量；
- K I K_I KI和 V I V_I VI是选中的key和value；
- y ∈ R n y\in\mathbb{R}^n y∈Rn是memory layer的输出；
二、计算Topk索引 I I I的优化
1. memory layer的瓶颈
阻碍memory layer大规模应用的一个主要瓶颈就是query-key检索机制。一般来说，可以利用简单的最近邻搜索来比较每个query-key对，但是对于更大规模的记忆来说，这种方法并不可行。当然，也有一些快速近似向量相似度的技术，但是当key在持续训练中不断更新，则需要不断的重新索引。
2. product-key
K
K
K的分解。计算
I
I
I的主要挑战是
K
K
K太大，那么可以考虑用笛卡尔积的方式分解
K
K
K。具体来说，随机初始化
K
1
∈
R
N
×
n
2
K_1\in\mathbb{R}^{\sqrt{N}\times\frac{n}{2}}
K1∈RN×2n和
K
2
∈
R
N
×
n
2
K_2\in\mathbb{R}^{\sqrt{N}\times\frac{n}{2}}
K2∈RN×2n两个独立的key集合，通过
K
1
K_1
K1和
K
2
K_2
K2的笛卡尔积就可以得到
K
K
K，即两两拼接
K
1
K_1
K1和
K
2
K_2
K2中的向量：
K
[
i
,
j
]
=
concat
(
K
1
[
i
]
,
K
2
[
j
]
)
K[i,j]=\text{concat}(K_1[i],K_2[j]) \\
K[i,j]=concat(K1[i],K2[j])
注意，在实际计算中索引
I
I
I的过程中并不需要计算出
K
K
K，直接利用
K
1
K_1
K1和
K
2
K_2
K2即可。
查询。将query
q
q
q也分解为两个部分
q
1
,
q
2
∈
R
n
2
q_1,q_2\in\mathbb{R}^{\frac{n}{2}}
q1,q2∈R2n，然后分别与
K
1
K_1
K1和
K
2
K_2
K2进行相似度计算，得到
I
1
,
I
2
I_1,I_2
I1,I2和
s
1
,
s
2
s_1,s_2
s1,s2。最终topk的索引以及分数为
arg
max
i
1
∈
I
1
,
i
2
∈
I
2
s
1
[
i
1
]
+
s
2
[
i
2
]
\mathop{\arg\max}_{i_1\in I_1,i_2\in I_2}\quad s_1[i_1]+s_2[i_2] \\
argmaxi1∈I1,i2∈I2s1[i1]+s2[i2]
三、并行优化
memory layer本质上是存储密集型的，其包含了大量可训练参数以及对应的优化器状态。为了能够实现包含数百万个key的memory layer，需要在多个GPU上并行化embedding的查找和聚合操作。
具体来说，在embedding的维度上进行分片。每一步中，从进程组收集索引，然后每个进程在其所属的分片上进行查找和聚合操作。最后，每个进程收集与自身部分索引相对应的部分embedding。通过确保每个GPU只获取其自身那部分数据，从而无需实例化整个embedding输出，控制激活内存。
四、共享记忆
在所有memory layerz中使用一个共享的记忆参数池，从而保持参数量不变并最大化参数共享。实验发现，在一定数量的层内，多个memory layer比具有相同总参数量的单个memory layer效果更好。当在超过这个数量的层内替换FFN会导致性能下降，这表明稀疏层和密集层都是必要的，而且很可能具有互补性。
五、性能和稳定性提升
- 通过自定义CUDA核，相较于Pytorch的EmbeddingBag有6倍的提升；
- 引入silu激活函数来提高memory layer的性能。公式(1)的输出变为
output = ( y ⊙ silu ( x ⊤ W 1 ) ) ⊤ W 2 (2) \text{output} = (y\odot\text{silu}(x^\top W_1))^\top W_2 \tag{2}\\ output=(y⊙silu(x⊤W1))⊤W2(2)
其中 silu ( x ) = x ⋅ sigmoid ( x ) \text{silu}(x)=x\cdot\text{sigmoid}(x) silu(x)=x⋅sigmoid(x)， ⊙ \odot ⊙表示逐元素相乘。
- 大规模memory layer使得训练不稳定，特别是对小模型。使用qk-normalization来缓解这一问题；
六、实验设置
设置。遵循Llama系列的Transformer模型，然后利用共享记忆层替换一个或多个前馈层。scaling law实验中，参数规模分别是134m、373m、720m、1.3b。
baselines。除了密集型baselines外，还将比较MOE和PEER。MOE模型中，FFN层由多个“专家”组成，对于每个输入，只有一部分“专家”参与计算。PEER类似memory layer。
评估基准。NaturalQuestions、TriviaQA、HotpotQA、MMLU、HellaSwag、OBQA、PIQA、HumanEval、MBPP。
七、实验结果
1. 固定参数量
上表展示了记忆增加型架构的效果。
(1) 配备记忆层的模型相较于密集型模型由显著提升，通常是同参数密集型模型的两倍；
(2) Memory+比Memory效果更好；
(3) 参数量相同下，PEER与Memory相近，但落后于Memory+；
(4) MOE大幅度落后于各种配备记忆层的模型。
2. 缩放memory layer
如上图所示，在事实问答基准上，模型性能随memory的尺寸增加而增加。当拥有6400万个key后，1.3B模型的效果接近Llama2 7B的性能。
3. 8B模型结果
