IT之家 10 月 9 日消息，科技媒體 marktechpost 昨日（10 月 8 日）發(fā)布博文，報(bào)道稱谷歌公司推出了選擇性注意力（Selective Attention）方法，可以提高 Transformer 架構(gòu)模型的性能。
Transformer 架構(gòu)簡(jiǎn)介Transformer 是一種革命性的神經(jīng)網(wǎng)絡(luò)架構(gòu)，由谷歌在 2017 年提出，主要用于處理序列數(shù)據(jù)，特別是在自然語(yǔ)言處理（NLP）領(lǐng)域。
Transformer 的核心是自注意力機(jī)制，允許模型在處理輸入序列時(shí)捕捉詞與詞之間的關(guān)系，讓模型能夠關(guān)注輸入序列中的所有部分，而不僅僅是局部信息。
Transformer 由多個(gè)編碼器和解碼器組成。編碼器負(fù)責(zé)理解輸入數(shù)據(jù)，而解碼器則生成輸出。多頭自注意力機(jī)制使模型能夠并行處理信息，提高了效率和準(zhǔn)確性。
Transformer 架構(gòu)模型挑戰(zhàn)Transformer 架構(gòu)的一大挑戰(zhàn)是它們?cè)谔幚黹L(zhǎng)文本序列時(shí)效率低下，由于每個(gè)標(biāo)記與序列中的每個(gè)其他標(biāo)記都相互作用導(dǎo)致二次復(fù)雜度，這就導(dǎo)致隨著上下文長(zhǎng)度的增加，計(jì)算和內(nèi)存需求呈指數(shù)增長(zhǎng)。
現(xiàn)在解決這一問(wèn)題的方法包括稀疏注意力機(jī)制（sparse attention mechanisms），它限制了標(biāo)記之間的交互數(shù)量，以及通過(guò)總結(jié)過(guò)去信息來(lái)減少序列長(zhǎng)度的上下文壓縮技術(shù)。
不過(guò)這種方法是通過(guò)減少在注意力機(jī)制中考慮的標(biāo)記數(shù)量達(dá)成的，因此通常以性能為代價(jià)，可能會(huì)導(dǎo)致上下文關(guān)鍵信息丟失。
谷歌新方法谷歌研究的研究人員提出了一種名為選擇性注意的新方法，可以動(dòng)態(tài)忽略不再相關(guān)的標(biāo)記，從而提高 Transformer 模型的效率。
選擇性注意力使用軟掩碼矩陣來(lái)確定每個(gè)標(biāo)記對(duì)未來(lái)標(biāo)記的重要性，減少對(duì)不重要標(biāo)記的關(guān)注。
研究表明，配備選擇性注意的 Transformer 架構(gòu)模型在多個(gè)自然語(yǔ)言處理任務(wù)中表現(xiàn)出色，同時(shí)顯著降低了內(nèi)存使用和計(jì)算成本。
例如，在擁有 1 億參數(shù)的 Transformer 模型中，注意力模塊的內(nèi)存需求在上下文大小為 512、1024 和 2048 個(gè) tokens 時(shí)分別減少至 1/16、1/25 和 1/47。所提方法在 HellaSwag 基準(zhǔn)測(cè)試中也優(yōu)于傳統(tǒng) Transformer，對(duì)于較大的模型規(guī)模實(shí)現(xiàn)了高達(dá) 5% 的準(zhǔn)確率提升。
選擇性注意力允許構(gòu)建更孝更高效的模型，在不損害準(zhǔn)確性的情況下，顯著減少內(nèi)存需求。
IT之家附上參考地址
