在Scaling Transformers用稀疏性就足夠了！“有了這樣的研究，我們以后或許能在筆記本電腦上托管 GPT-3”

大型模型在許多任務(wù)上都產(chǎn)生了令人印象深刻的結(jié)果，但是訓(xùn)練和微調(diào)的成本很高，而且解碼速度過慢，以至于研究和使用難度提升。華沙大學(xué)，谷歌研究和OpenAI的學(xué)者們通過利用稀疏性來解決這個問題。他們研究了模型中所有層級的稀疏變量，并提出了下一代Transformer模型族-Scaling Transformers。

作者｜鄭宇宏

編輯｜陳彩嫻

1

Scaling Transformers：

讓大型語言模型更易于管理

近年來，基于Transformer架構(gòu)的大型神經(jīng)網(wǎng)絡(luò)，自然語言處理領(lǐng)域取得了巨大的進(jìn)步。前幾年在Reddit上發(fā)布大量灌水貼的thegentlemetre賬號一周后才被人類發(fā)覺：這竟然是一個應(yīng)用程序在“作怪”！它正是以被稱為地表最強(qiáng)的語言模型GPT-3為基礎(chǔ)開發(fā)的程序。

GPT-3作為一個大型語言模型，可以創(chuàng)作出整篇文章，即使把這些文章和人類寫的文章相比較的話，都很難被區(qū)分出來。

但是這種“聰明”的模型卻有一個弊端。

因為它的訓(xùn)練成本極高，不是每個人都有資源來訓(xùn)練這種大型模型。

那么如何讓大型語言模型更易于管理以適用日常需要呢？

華沙大學(xué)，谷歌研究和OpenAI的學(xué)者們提出一個新的模型族-Scaling Transformers。

論文地址：https://arxiv.org/abs/2111.12763

文章提出了一種通過稀疏化網(wǎng)絡(luò)中線性層的激活（前饋和 Q、K、V 投影）來訓(xùn)練大規(guī)模稀疏模型的方法。該方法特別吸引人，因為它似乎不需要任何特定于硬件或低級別的優(yōu)化即可有效。控制器網(wǎng)絡(luò)在激活時生成一個塊式 one-hot 掩碼，并根據(jù)此掩碼動態(tài)選擇后續(xù)層的權(quán)重。當(dāng)擴(kuò)大模型大小時，用稀疏層來有效擴(kuò)展并執(zhí)行非批次解碼的速度比標(biāo)準(zhǔn)Transformer模型快的多。在參數(shù)數(shù)量相同的情況下，稀疏層足以獲得與標(biāo)準(zhǔn)Transformer相同的困惑度。

2

文章解讀

Fabio Chiusano在NLP上發(fā)表了對這篇論文的正面評價。Fabio Chiusano是Digitiamo 數(shù)據(jù)科學(xué)主管，也是人工智能領(lǐng)域的頂級媒體作家。AI科技評論對Chiusano的點(diǎn)評做了不改原意的整理：

Scaling Transformer 真的很有趣，因為當(dāng)我們擴(kuò)大模型大小時，它們允許有效地縮放語言模型并且比標(biāo)準(zhǔn) Transformer 更快地執(zhí)行非批處理解碼。嚴(yán)謹(jǐn)?shù)卣f：

• 我們稱其d 為 Transformer 模型的參數(shù)個數(shù)。

• 然后，一個標(biāo)準(zhǔn)的密集 Transformer 將需要近似d^2計算來進(jìn)行預(yù)測。

• 相反，稀疏的 Scaling Transformer 將需要近似d^1.5計算。

如果說這樣的改進(jìn)看起來不明顯，請考慮一下這d通常是一個非常高的數(shù)字，大約數(shù)十億，實(shí)際上實(shí)驗表明，Scaling Transformer 為單個令牌帶來了近 20 倍的預(yù)測加速（從 3.690s 到 0.183 s) 關(guān)于具有 17B 個參數(shù)的密集 Transformer。注意：這些加速是針對未批量預(yù)測的。

在具有建議的稀疏機(jī)制（FF、QKV、FF+QKV）的 C4 數(shù)據(jù)集上，Scaling Transformers（相當(dāng)于 T5 大小，具有大約 800M 參數(shù)）的對數(shù)困惑度類似于基線密集模型。

具有 17B 參數(shù)的 Terraformer 的單個令牌的解碼速度比密集基線模型快 37 倍，推理所需的時間少于 100 毫秒/令牌。這里注意力稀疏 = 64，ff-稀疏 = 256，損失稀疏 = 4

稀疏化的收益非常好。然而，當(dāng)解碼較長的序列時，它們會更糟，因為解碼時間將由注意力操作控制。

幸運(yùn)的是，已經(jīng)提出了許多方法來解決 Transformer 的這個問題，例如LSH（Locality-Sensitive Hashing）注意處理長序列和可逆層以提高內(nèi)存效率。我會說這不是個微不足道的結(jié)果！

這篇論文還對用于提高 Transformer 效率的其他技術(shù)進(jìn)行了有趣的概述。我在這里報告了它的一些摘錄，我認(rèn)為它可以作為那些不熟悉 Transformer 技術(shù)效率的人的參考。

• 模型壓縮。模型修剪通過在訓(xùn)練之后或訓(xùn)練期間移除不需要的權(quán)重來使矩陣更小。

• 模型蒸餾。模型蒸餾包括在先前訓(xùn)練的大模型（即教師）的輸出上訓(xùn)練一個小模型（即學(xué)生）。用于移動推理的幾種自然語言模型依靠蒸餾來加速從預(yù)先訓(xùn)練的大型模型中進(jìn)行推理。

• 稀疏注意力。基于稀疏注意力的方法通過合并額外的組合機(jī)制或選擇該層所關(guān)注的標(biāo)記子集，使注意力層更加高效，尤其是對于長序列。

• 稀疏前饋。關(guān)鍵思想是將前饋層劃分為多個部分（稱為專家），每個令牌只檢索一個部分，這降低了前饋塊的復(fù)雜性。這些加速主要以訓(xùn)練速度來衡量，并且該方法側(cè)重于前饋塊。專家方法的混合已被證明可以在訓(xùn)練中實(shí)現(xiàn)計算效率，擴(kuò)展到一萬億個參數(shù)。

雖然目前的結(jié)果有許多局限性。盡管如此，這篇論文可以被認(rèn)為是通往可持續(xù)大型模型的第一步。

大家怎么看？

參考資料

https://medium.com/nlplanet/two-minutes-nlp-scaling-transformers-with-sparsity-5bf004a7ea56

https://arxiv.org/abs/2111.12763

https://openreview.net/forum?id=-b5OSCydOMe

雷峰網(wǎng)(公眾號：雷峰網(wǎng))