会议/期刊: ICML
年份: 2022

1. Vanilla Transformer Block（MHSA+FFN）

原本的Transformer的Block遵循如下的设计范式：MHSA（多头自注意力）+ 一层或者两层的FFN（全连接层），如下图所示。我们只考虑FFN的话，其数学表达式如下：T表示句子长度，d表示词向量维度（也表示模型隐藏层维度），e表示expanded intermediate 特征大小。

\[{\cal O}=\phi(X W_{u})W_{o}\mathrm{~Where~}\,\, X\in\mathbb{R}^{T\times d}, W _{u}\in\mathbb{R}^{d\times e},W_{o}\in\mathbb{R}^{e\times d} \]

图1 多头注意力

2. 改进Transformer Block （MHSA+GLU）

后面有工作对FFN做了改进，提出了GLU（Gated Linear Unit）结构，并且发现能有效提升模型性能。GLU结构大致如下图。简单理解就是有两个支路，两条支路都是全连接层加激活函数。两条支路的激活函数可以不同。最后两路的结果会做element-wise相乘，得到的结果会再经过一个全连接层进行处理。

图2 GLU+MHSA

上图左边的GLU结构的数学表达式如下：

\[\begin{array}{l l}{{U=\phi_{u}(X W_{u}),}}&{{V=\phi_{v}(X W_{v})}}\\ {{{O}=\left(U \odot V\right)W_{o}}}\tag{1}\end{array} \]

其中\(U,V\in\mathbb{R}^{T\times e}，O\in\mathbb{R}^{T\times d}\)

3. GAU（Gated Attention Unit）

上面的GLU和注意力模块是独立开的，GAU做了一个很巧的构思把二者融合到了一个模块，其结构和伪代码如下图所示

图3 GAU示意图和伪代码

GAU的数学表达式如下：

\[{O}=(U\odot\hat{V})W_{o}\quad\mathrm{where}\quad\hat{V}=A V \tag{2} \]

其中

\[\begin{array}{l l}{{Z=\phi_{z}(X W_{z})}}&{{\qquad\in\mathbb{R}^{T\times s} }}\\ {{A=\operatorname{relu}^{2}\left(\mathcal{Q}(Z)\mathcal{K}(Z)^{\top}+b\right)}}&{{\qquad\in\mathbb{R}^{T\times T} }}\tag{3}\end{array} \]

可以看到在计算注意力矩阵A用到的Q和K是基于共享的矩阵Z计算得到的，\(\mathcal{Q}(Z), \mathcal{K}(Z)\)都是对矩阵Z做per-dim的归一化，类似于LayerNorm。得到注意力A后，还要经过ReLU激活函数，然后取二次方，即\(relu^2\)，这个是在《Primer: Searching for Efficient Transformers for Language Modeling》论文中用NAS搜索出来的。

3.1 参数量比较

下面我们比较一下 MHSA +MLP/GLU与 GAU 结构的参数量：

MHSA+MLP/GLU
- MHSA: Q, K, V对应的映射模块权重均为hdd/h=dd,最后MHSA的Dense层的权重参数量也是dd，所以MHSA的参数量为4dd
- MLP: 通常是两个全连接层，每个的权重参数量为de,一般e=4d，所以MLP模块的权重参数量为 2 * (de)=2* (d4d)=8d*d
- GLU: 如果采用GLU结构，那么权重参数量则为3de=12dd
- 总结：如果采用MHSA+MLP，则参数量是12dd；如果采用MHSA+GLU，则参数量是16dd
GAU参数量为3de+ds。通常s会远远小于d,所以参数量近似为3de。改论文中，作者设置e=2d,那么GAU模块的参数量则为6d*d。换言之两个GAU级联后的参数量等价于MHSA+MLP。

3.2 计算复杂度比较

对比GLU+MHSA和GAU，我们可以看到GAU只有一个head，而且去掉了Softmax，而且实验结果显示GAU的表现和原来的MHSA+MLP也不分伯仲，甚至更好

图4 GAU和Transformer实验结果对比

但是，仔细分析一下，我们会发现GAU的计算复杂度和原本的自注意力机制一样，仍旧是句子长度的二次方，即\(O(T^2)\)。

下面我们分析一下二次复杂度的来源，GAU和原始的自注意力机制的计算都可以用如下的数学公式表示：

\[A=\phi(QK^T)V \]

在原始的自注意力机制中，激活函数\(\phi\)是softmax，而在GAU中是\(ReLU^2\)。矩阵\(Q, K\in\mathbb{R}^{T\times d}\)，二者矩阵乘法的复杂度为\(O(T\times d \times T)\),如果只考虑句子长度，我们可以将d忽视，所以复杂度为\(O(T^2)\).

后续的一些尝试将复杂度降低至线性复杂度的方法的思路是这样的，

\[\phi(QK^T)V\rightarrow(\phi_q(Q)\phi_k(K)^T)V=\phi_q(Q)(\phi_k(K)^TV) \]

简而言之就是尝试将矩阵\(K^T\)和\(V\)先做矩阵乘法，这样一来它们的复杂度则为\(O(d\times T \times d)\)，得到大小为\(\mathbb{R}^{d\times d}\)的矩阵，该矩阵再和\(Q\)相乘，计算复杂度同样是\(O(d\times T \times d)\)。

3.3 推理阶段的复杂度

我们接下来考虑推理时GAU的复杂度。

我们知道GAU会先算\(M=K^TV\)，然后再计算\(QM\)，所以我们先着重分析一下矩阵\(M\)的计算。

由于推理阶段采用的是自回归的解码方式，也就是说K和V的长度（即词数量）是从1逐渐增加到T的。考虑t时刻的情况，要得到矩阵\(M_t\), 我们需要\(O(d*t*d)\)的计算复杂度，随着t逐渐从1增加到T，计算复杂度是不断增加的，换言之计算复杂度是\(O(Td^2)\)。

这里其实有一个计算上的技巧，即我们需要先存储上一次的结果\(M_{t-1}\)。当到t时刻的时候，我们计算出新词的\(K_t,V_t\in\mathbb{R}^{1\times d}\)向量，然后计算\(K_t^TV_t\in\mathbb{R}^{d\times d}\)，最后将这个值和\(M_{t-1}\)累加即可得到\(M_t\)，即

\[M_t=M_{t-1}+K_t^TV_t \tag{4} \]

简而言之，每个时刻（即有新的词输入的时候），只需要计算新词的\(K_t^TV_t\)即可，因此空间复杂度是\(O(d^2)\)，计算复杂度始终保持为\(O(d^2)\)，相比于原来的\(O(Td^2)\)计算复杂度有了明显改进。

上述这种计算技巧在推理阶段非常有效，可以很巧妙地降低计算复杂度。但是，在训练阶段就会有问题了，因为这个技巧是基于自回归的特点设计的，也就是说推理阶段就像RNN一样，每次只新增一个单词，无需考虑并行性。训练阶段输入的数据一般是大小为\(b\times T\times d\)的张量，如果想采用上面的计算技巧，那么训练阶段的输入就需要像推理阶段一样，显然这会得不偿失，因为这样无法并行计算了。

4. Mixed Chunk Attention

为了解决上面提到的推理计算技巧无法应用到训练阶段，本文作者提出了Mixed Chunk Attention方法，该方法将Partial Attention（简单理解就是只计算更重要部分的注意力，但是实际上这类方法的计算效率不高，因为计算是不规则和碎片化的）和Linear Attention的优点进行了结合。

图5 三种不同注意力计算方法

上面图中每个圆圈代表一个单词的词向量，中间的正方形表示\(M_t=M_{t-1}+K_t^TV_t\)。

图（top）表示原始的注意力机制计算方法，每次计算注意力矩阵的复杂度是\(O(T^2d)\)。

图（middle）即表示通过公式(4)可以复用前一时刻的结果，将计算复杂度降低至\(O(d^2)\)，但是在这种类似RNN的计算方式缺乏并行性，很难在训练阶段使用

图（bottom）则做了这种，所以称作mixed chunk attention （MCA）。假设输入序列维度是\(b\times T\times d\)，后面为避免符号太多，我们省略batch size，即\(b\)。由图（bottom）可以看到，MCA其实就是将原来的一个句子划分成\(G\)个chunk，每个chunk包含\(C\)个单词（该论文取\(C=256\)），也就是说原来的句子长度\(T=G\times C\)。所以原本的输入序列\(T\times d\rightarrow G\times C\times d\)。原本的GAU模块转变成了如下图：

图6 Mixed Chunk Attention

为方便理解，我们只考虑单个chunk，那么对于第\(g\)个chunk，则中间结果\(U_g\in\mathbb{R}^{C\times e},V_g\in\mathbb{R}^{C\times e},Z_g\in\mathbb{R}^{C\times s},\)其中Q，K矩阵是基于共享的\(Z_g\)采用不同的放射变化得到的，具体而言会有两套Q，K矩阵：

一套用于计算local Attention的复杂度为二次方的\(Q_g^{quad},K_g^{quad}\in\mathbb{R}^{C\times s}\)。如图5（bottom）最下面那一行圆圈所示，每两个圆圈之间会计算彼此之间的注意力矩阵，这其实可以理解成一种稀疏的注意力，其计算公式如下

\[\hat{V}_g^{quad}=relu^2(Q_g^{quad}K_g^{quad}+B)V_g \tag{5} \]

单个chunk的local Attention的计算中的\(Q_g^{quad}K_g^{quad}\)计算复杂度为\(O(C^2s)\)，计算得到的结果与矩阵\(V_g\)相乘的计算复杂度为\(O(C^2e)\)，因为\(s<<d\)，另外\(e\)正比于\(d\)（例如\(e=2d\)），所以复杂度是\(O(C^2s+C^2e)=O(C^2s+2C^2d)=O(C^2d)\)。另外由于总共有G个chunk，所以总的复杂度为\(O(GC^2d)=O(TCd)\)

另一套是用于计算global Attention的复杂度为线性的\(Q_g^{lin},K_g^{lin}\in\mathbb{R}^{C\times s}\)。我们其实可以将图5（bottom）最下面每两个圆圈视为一个圆圈，就像图5（middle）一样。此时计算global Attention可以分成两种情况：训练和推理，或者也可以称作Non-Causal和Causal。Causal表示因果，即下一个单词的预测依赖前面的输入，这就对应推理。两种情况的具体计算公式如下：

Non-Causal (训练):

\[\hat{V}_g^{lin}=Q_g^{lin}(\sum_{h=1}^G{K_h^{lin}}^TV_h) \tag{6} \]

训练阶段其实可以不用像公式(6)那样分chunk的去计算，我们其实可以直接用完整的矩阵\(Q^{lin},K^{lin}\in\mathbb{R}^{T\times s}\)直接计算得到公式(6)右边的累加项。

我们再看看计算复杂度，\({K_h^{lin}}^TV_h\)的计算复杂度为\(O(Cse)\)，累加G个chunk，那么复杂度就是\(O(GCse)=O(Tse)=O(Tsd)\)。矩阵Q与KV计算的到矩阵相乘的复杂度为\(O(Cse)=O(Csd)\)。所以公式(6)的计算复杂度近似为\(O(Tsd)\)。

Causal (推理)：

\[\hat{V}_g^{lin}=Q_g^{lin}(\sum_{h=1}^{g-1}{K_h^{lin}}^TV_h) \tag{7} \]

根据两套Q，K矩阵，我们可以分别求得\(\hat{V}_g^{quad},\hat{V}_g^{lin}\)，最后我们将二者相加得到混合注意力，最终第\(g\)个chunk的输出计算公式如下

\[O_g=[U_g\odot(\hat{V}_g^{quad}+\hat{V}_g^{lin})]W_o \tag{8} \]

Mixed Chunk Attention伪代码如下：

Mixed Chunk Attention伪代码

5. 论文中的一些讨论

5.1 Chunk是否需要overlap

前面提到将输入序列划分成多干个chunk，这些chunk彼此之间是没有overlap的。比如说这句话“今天我吃了好多好吃的，有龙虾、鲍鱼、海参和饺子。”，以non-overlap的划分方式将这个句子（总共24个字符）划分成三个chunk，则得到

[今天我吃了好多好]
[吃的，有龙虾、鲍]
[鱼、海参和饺子。]

那么，一个很自然的问题是如果overlap会怎么样呢？结果是否会更好？作者对这个做了测试，实验结果表明overlap的划分chunk的方式的确能够提升模型性能，但是引入了额外的计算成本。与其使用overlap 的chunk划分方式，还不如直接多加几层non-overlapping GAU模块。

5.2 局部和全局注意力的Ablation Study

原论文还做了消融实验，显示相对来说局部注意力比全局注意力更重要，而混合式的效果最好。下面实验中的MC-TFM++是指将Mixed Chunk Attention运用到Transformer++。MC-TFM++和FLASH一样都是线性复杂度，但是用的FFN。可以看到使用GAU的FLASH要明显优于MC-TFM++。

局部vs.全局注意力