作者：  （1）Bobby He，苏黎世联邦理工学院计算机科学系（通讯地址：bobby.he@inf.ethz.ch.）;  （2）托马斯·霍夫曼（Thomas Hofmann），苏黎世联邦理工学院计算机科学系 链接表 摘要和引言 相关工作 准备工作 简化 Transformer 模块 进一步的实验分析 讨论、可重复性声明、致谢和参考文献 线性层中降权残差与限制更新之间的对偶性 B 区块布局 C 附加实验 D 实施细节 抽象的 深度 Transformer 的一个简单设计方法是组成相同的构建块。但标准 Transformer 块远非如此简单，它将注意力和 MLP 子块与跳过连接和规范化层以精确的排列方式交织在一起。这种复杂性导致了脆弱的架构，看似微小的变化可能会显著降低训练速度，或使模型无法训练。在这项工作中，我们问标准 Transformer 块可以在多大程度上简化？结合信号传播理论和经验观察，我们推动了修改，允许在不损失训练速度的情况下删除许多块组件，包括跳过连接、投影或值参数、顺序子块和规范化层。在自回归解码器和 BERT 编码器模型的实验中，我们的简化 Transformer 模拟了标准 Transformer 的每次更新训练速度和性能，同时享受 15% 更快的训练吞吐量，并使用 15% 更少的参数 1 引言 Transformer 架构（Vaswani 等人，2017 年）可以说是深度学习领域近期取得诸多成功的主力。构建深度 Transformer 架构的一种简单方法是依次堆叠多个相同的 Transformer“块”。然而，每个块都更为复杂，由许多不同的组件组成，需要以特定的方式组合才能实现良好的性能。令人惊讶的是，尽管吸引了许多研究人员的兴趣，但基础 Transformer 块自诞生以来几乎没有变化。 在这项工作中，我们研究了是否可以简化标准 Transformer 块。更具体地说，我们探讨了几个块组件的必要性，包括跳过连接、投影/值矩阵、顺序子块和规范化层。对于每个考虑的组件，我们询问是否可以在不损失训练速度（包括每次更新步骤和运行时间）的情况下将其删除，以及为了做到这一点需要对 Transformer 块进行哪些架构修改。 我们认为，在不影响训练速度的情况下简化 Transformer 模块是一个有趣的研究问题，原因如下。首先，现代神经网络 (NN) 架构设计复杂，包含许多组件，目前尚不清楚这些不同组件在 NN 训练动态中扮演的角色，也不清楚它们如何相互作用。鉴于深度学习中理论与实践之间存在差距，这一点尤其重要，致力于理解深度学习机制的理论家通常只考虑简化的架构，以方便使用，而不一定反映实践中使用的现代架构。简化实践中使用的 NN 架构有助于弥合这一鸿沟 在相关的理论方面，我们的工作强调了信号传播的优势和当前的局限性：该理论已被证明具有影响力，因为它能够激发深度 NN 架构中的实际设计选择。信号传播（Poole 等人，2016 年；Schoenholz 等人，2017 年；Hayou 等人，2019 年）研究初始化时 NN 中几何信息的演变，这些信息通过输入之间的分层表示的内积捕获，并启发了训练深度 NN 的许多令人印象深刻的结果（Xiao 等人，2018 年；Brock 等人，2021 年；Martens 等人，2021 年；Zaidi 等人，2023 年）。然而，当前的理论只考虑初始化时的模型，而且通常只考虑初始前向传递。因此，目前的信号传播无法阐明深度 NN 训练动态的许多复杂性，例如跳过连接对训练速度的好处。尽管信号传播对于激发我们的修改至关重要，但我们不会仅从理论出发就得出简化的变压器块，还需要依靠经验见解。  最后，从实际角度来看，考虑到如今训练和部署大型 Transformer 模型的成本高昂，Transformer 架构的训练和推理流程中的任何效率提升都代表着巨大的潜在节省。通过删除非必要组件来简化 Transformer 块既可以减少参数数量，又可以提高模型的吞吐量。具体来说，我们表明可以删除跳过连接、值参数、投影参数和顺序子块，同时在训练速度和下游任务性能方面与标准 Transformer 相匹配。因此，我们将参数数量减少了多达 16%，并观察到训练和推理时的吞吐量增加了 16%。 我们简化 Transformer 块的出发点是 He 等人 (2023) 的研究，他们表明，遵守信号传播原理可以训练深度 Transformer，而无需跳过连接或归一化层，但每次参数更新的收敛速度会显著降低。我们首先表明，调节值和投影参数的更新（第 4.1 节），或者实际上完全删除它们（第 4.2 节），可以提高无跳过注意子块的性能，并恢复 He 等人 (2023) 报告的每次更新训练速度的损失。这会删除注意子块中一半的参数和矩阵乘法。在第 4.3 节中，我们展示了我们的简化与并行子块 (Wang & Komatsuzaki, 2021) 的有效结合，这使我们能够删除所有剩余的跳过连接和连续子块，而不会影响每次更新的训练速度，同时在我们的实现中进一步将吞吐量提高到 16%。最后，在第 4.4 节中，我们展示了我们的简化与并行子块 (Wang & Komatsuzaki, 2021) 的有效结合。 5，我们展示了我们的简化块在扩展到更大的深度时会得到改进，在仅编码器和仅解码器架构中都能很好地工作，并且我们的发现在扩展训练长度时也成立。我们最后在第 6 节中讨论了局限性和未来的工作。 该论文 。 可在 arxiv 上根据 CC 4.0 许可获取

Part of HackerNoon's growing list of open-source research papers, promoting free access to academic material.

AutoEncoder.tech

Research & publications on Auto Encoders, revolutionizing data compression and feature learning techniques.

在不牺牲效率的情况下简化 Transformer 模块

About Author

註釋

標籤

这篇文章刊登在

Related Stories

点击赚钱：Telegram 可能会在 Solana 之前吸引下一个 100 亿加密用户

Telegram：加密岛通往大陆的桥梁

释放人工智能的力量。前沿技术的系统评价：摘要与介绍

点击赚钱：Telegram 可能会在 Solana 之前吸引下一个 100 亿加密用户

Telegram：加密岛通往大陆的桥梁

释放人工智能的力量。前沿技术的系统评价：摘要与介绍

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps