文 | 煉丹學(xué)徒
編 | 小軼

從前車馬很慢，顯卡跑的也慢，一生只夠愛一個RNN。后來時(shí)代進(jìn)步了，數(shù)據(jù)量和計(jì)算力闊綽了，堆疊起來的Transformer能夠在更深更寬的模型結(jié)構(gòu)里吃下去更多的數(shù)據(jù)。從19年的預(yù)訓(xùn)練浪潮開始，暴力美學(xué)興起，更深的Transformer更久的預(yù)訓(xùn)練更大的模型參數(shù)量，暴力出奇跡一個個NLP榜單被刷新，但誰又記得起來當(dāng)初Transformer論文里“解決RNN無法并行化訓(xùn)練問題”的追求效率的motivation呢？身在普通高校，手握2080Ti和Titan V，向著大廠的預(yù)訓(xùn)練模型望洋興嘆，我們開始懷念起當(dāng)初人人都訓(xùn)練得起的LSTM和GRU。那是精巧輕量的模型，那是人人都刷的起SOTA的時(shí)代。

今天這篇來自微軟的論文告訴我們，大廠里有一些研究員也還是愛我們的，Finetuning Pretrained Transformers into RNNs，在保持性能的情況下，將預(yù)訓(xùn)練好的Transformer模型微調(diào)到其RNN變體，極大地降低顯存使用和計(jì)算開銷。

論文題目:
Finetuning Pretrained Transformers into RNNs

論文鏈接:
https://arxiv.org/abs/2103.13076

Arxiv訪問慢的小伙伴也可以在 【夕小瑤的賣萌屋】訂閱號后臺回復(fù)關(guān)鍵詞 【0407】 下載論文PDF~

本文提出的模型名為 T2R，代表 Transformer to RNN 。轉(zhuǎn)換的過程為 swap-then-finetune ，即，對于一個預(yù)訓(xùn)練好的 Transformer 模型，我們將其 的注意力計(jì)算改為線性 的替換模塊，然后進(jìn)行微調(diào)?？梢灶A(yù)感到，其核心就在于如何用線性的子層對注意力層進(jìn)行模擬。接下來，我們對其進(jìn)行詳解。

概述

在2019年EMNLP論文 Transformer Disp [1] 中，作者提出：可以將注意力層的相似度計(jì)算()替換為核函數(shù)的分?jǐn)?shù)。

ICML'20的另一工作Transformers are RNNs [2]則在此基礎(chǔ)上進(jìn)一步優(yōu)化，提出了將的注意力計(jì)算替換為線性的模塊。

今天要講的 T2R 這篇文章是緊隨上面 ICML'20 這篇工作進(jìn)行的。之前 Transformers are RNNs 的方法中，使用的核函數(shù)沒有參數(shù)，不可訓(xùn)。而 T2R 把核函數(shù)里封裝了一個MLP變成可訓(xùn)練的。T2R原文的推導(dǎo)直接使用了 Transformers are RNNs 與 Transformer Disp 的結(jié)論，因而推導(dǎo)過程并不完整。我們今天也沿著T2R的思路進(jìn)行講解，如果想要更深入了解 Transformer 轉(zhuǎn) RNN 領(lǐng)域的，可以閱讀下面兩篇論文：

[1] Tsai et al. Transformer Disp: A Unified Understanding of Transformer's Attention via the Lens of Kernel. EMNLP 2019

[2] Katharopoulos et al. Transformers are RNNs: Fast autoregressive transformers with linear attention. ICML 2020

Transformer開銷

Transformer 由多頭注意力層、前饋層、層歸一化層堆疊后組成。本篇論文中要替換的，就是其中的多頭注意力層。

在開始講解如何替換之前，我們還是先梳理一下傳統(tǒng)Transformer的多頭注意力層。整個計(jì)算過程可以總結(jié)如下圖所示：

▲傳統(tǒng)Transformer的多頭注意力層計(jì)算過程

這張圖我們自下往上看。首先，我們將多頭注意力層的source隱狀態(tài)記作，target隱狀態(tài)記作。

如何理解此處的source和target：比如，在解碼器的編碼器-解碼器注意力層中，就是編碼器端的序列長度，就是解碼器端的長度。在自回歸推斷的解碼器自注意力層中，就是已生成序列（加上自己）的長度，等于1，指當(dāng)前要預(yù)測的這個字符。

從隱狀態(tài)，我們通過線性變換得到。則，注意力層的輸出為：

其中， 操作 旨在計(jì)算和的相似度（這里劃重點(diǎn)!等一會兒就要對這個計(jì)算動手腳了！）：

上述的多頭注意力的計(jì)算是我們熟知的。論文對其復(fù)雜度進(jìn)行了分析。設(shè)多頭數(shù)為，每個頭的隱狀態(tài)長度，每個的隱狀態(tài)總長 ，則有如下結(jié)論：

• 特征計(jì)算：即由隱狀態(tài)計(jì)算得到的過程，復(fù)雜度分別為 , 和

• 注意力計(jì)算: 由 計(jì)算得到最終輸出的過程，復(fù)雜度為 ，與 的長度成平方關(guān)系。

• 推斷時(shí)的顯存：，與已經(jīng)解碼的長度線性相關(guān)。

注意力層的RNN替代方案

T2R的注意力層計(jì)算過程則如下圖所示：

首先，我們注意到原始的注意力計(jì)算中， 和 的相似度計(jì)算方式（）需要先進(jìn)行點(diǎn)乘，放縮后再進(jìn)行指數(shù)運(yùn)算，難以開展后續(xù)的近似優(yōu)化。所以這里的關(guān)鍵之處就在于，T2R把的相似度計(jì)算方案替換為核函數(shù)的乘積：

此處，和的參數(shù)都是通過一個單層MLP學(xué)習(xí)得到的。 是維矩陣，是維bias向量，即，T2R的相似度計(jì)算核函數(shù)將原本維的向量降到了維然后進(jìn)行相似度計(jì)算。對于多頭計(jì)算中的每一個頭，他們的和是獨(dú)立學(xué)出來的。因此，T2R在每一層中，共增加了個可學(xué)習(xí)的參數(shù)（小于總參數(shù)量的2%）。

我們把新的相似度計(jì)算方法代入到注意力的輸出式中，得到：

記，，則：

而根據(jù) Transformers are RNNs [2] 的結(jié)論，此處的可以視作RNN遞歸的隱狀態(tài)。比如，在解碼器端做自回歸生成時(shí)，每個詞向它前文的單詞進(jìn)行注意力計(jì)算來預(yù)測下一個詞，和可以被定義為遞歸的隱狀態(tài)：

注意到我們主要討論的函數(shù)是針對來計(jì)算相似度的，而是由喂入該層的隱狀態(tài)線性變化得到的。為了加速推斷速度，具體實(shí)現(xiàn)中把和代入，得到從隱狀態(tài)，直接線性變換得到的結(jié)果，從而在推斷的時(shí)候不需要計(jì)算，而從隱狀態(tài)直接計(jì)算得到相似度的值，即：

其中，

此時(shí)的開銷：

• 特征計(jì)算：我們記輸出維的特征向量，則生成的復(fù)雜度為 , 和

• 注意力計(jì)算: 由計(jì)算得到最終輸出的過程，假設(shè)k<<M,N，此時(shí)復(fù)雜度為，與的長度成線性關(guān)系。

• 推斷時(shí)的顯存：假設(shè)k<<M，則占用顯存，為常數(shù)。

Transformer和T2R對比

講到這里，我們再對比一下傳統(tǒng)Transformer和T2R的差異：

• 特征計(jì)算：計(jì)算不變，計(jì)算由, 降為,

• 注意力計(jì)算: 由降為，平方->線性。

• 推斷時(shí)的顯存：由降為，線性->常數(shù)。

實(shí)驗(yàn)

數(shù)據(jù)集的效果

T2R主要使用ELU和RFA作為baseline進(jìn)行比較。ELU和RFA為此前的另外兩篇使用核函數(shù)轉(zhuǎn)Transformer為RNN工作。因?yàn)镋LU和RFA的核函數(shù)都是不可訓(xùn)練的，所以無法取代預(yù)訓(xùn)練好的模型里的注意力層進(jìn)行功能上的替換和擬合。

首先，T2R在語言模型上開展了實(shí)驗(yàn)。數(shù)據(jù)集使用WikiText-103，評測指標(biāo)使用困惑度 perplexity 。發(fā)現(xiàn)T2R因?yàn)樵诤撕瘮?shù)中放置了可訓(xùn)練的MLP，在加載預(yù)訓(xùn)練模型時(shí)獲得更大的收益。

此外，T2R在翻譯任務(wù)上開展實(shí)驗(yàn)，使用數(shù)據(jù)集 WMT14 EN-DE，WMT14 EN-FR 和 WMT17 ZH-EN。研究員們發(fā)現(xiàn)雖然隨機(jī)初始化時(shí)，T2R弱于另外兩個baseline，但是加載預(yù)訓(xùn)練后反超另外兩個baseline。

生成時(shí)的加速和顯存節(jié)省

研究員發(fā)現(xiàn) T2R 比另外兩個模型的推斷速度更快(如下左圖所示)，因?yàn)槭褂昧烁〉奶卣骶S度，以及更快的特征計(jì)算方法。對于推斷時(shí)的顯存占用，Transformer 隨著輸出序列的增長而線性增加，轉(zhuǎn)為 RNN 結(jié)構(gòu)的模型則保持常數(shù)(如下右圖所示)。

消融實(shí)驗(yàn)

隨著核函數(shù)輸出特征尺寸的增大，其效果也更加接近Transformer。相比于之前的工作，T2R 可以通過控制特征尺寸從而在效果和速度間權(quán)衡。

小結(jié)

本文提出的T2R，在 Transformers are RNNs 的基礎(chǔ)上，將無參數(shù)的核函數(shù)封裝為 MLP 加激活函數(shù)，從而可訓(xùn)練。在此基礎(chǔ)上，T2R 替換掉預(yù)訓(xùn)練 Transformer 的注意力層，從而降低了計(jì)算消耗和顯存使用，并且得到和原預(yù)訓(xùn)練模型相似的結(jié)果。

后臺回復(fù)關(guān)鍵詞【入群】

加入賣萌屋NLP/IR/Rec與求職討論群

后臺回復(fù)關(guān)鍵詞【頂會】

獲取ACL、CIKM等各大頂會論文集！

總結(jié)

以上是生活随笔為你收集整理的Transformer太大了，我要把它微调成RNN的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。