基于2大理念改进

萧箫 转载自 商汤AI
非常AI | 公众号 QbitAI

Transformer很受欢迎，但它架构上的不少问题依旧令人头疼。

典例之一就是其中的Softmax Attention模块，虽然能捕捉长距离依赖关系，但由于Softmax算子关于序列长度的二次空间和时间复杂性，导致难以扩展。

虽然也有用核方法、稀疏注意力机制等来近似Softmax算子，以降低时间空间复杂度，但近似操作本身存在的误差使得其效果很难超越Softmax Attention。

为此，商汤多模态研究组想到，与其近似Softmax，为何不重新设计一种方式“平替”Softmax？

他们提出了一种叫做cosFormer的新方法，论文目前已经登上ICLR 2022。

一方面，cosFormer在时间空间复杂度关于序列长度为线性复杂度的同时，其性能接近或者超越Softmax Attention；

另一方面，它也在LRA benchmark上取得了SOTA，其中y轴表示性能，x轴表示速度，圆圈大小表示内存。

一起来看看。

此前的Softmax有什么问题？

Softmax Attention

Softmax Attention的计算方式是这样的：

线性Attention

通过分析我们发现，性能瓶颈的主要原因是exp操作，如果相似度函数可以表示为

那么

根据矩阵运算的结合律：

上式可以变换为：

经过计算后可以得到该方法的时间复杂度为，即关于序列长度是一次的。

Softmax Attention和线性Attention的计算方式可以用下图概括：

所以接下来的会介绍的选择，以及核心的reweighting操作。

Softmax的两大性质

我们经过分析以及实验，归纳出Softmax Attention中比较重要的性质，这两个性质可以指导我们的模型设计：

1. 注意力矩阵的非负性
2. 局部注意力的放大（非极大值抑制）

对于第一点，我们有如下实验进行验证（模型结构为RoBERTa）：

这里Loss表示验证集损失（越低越好），其余指标均为准确率（越高越好），可以看到，当保证了注意力矩阵的非负性之后，可以达到较好的效果。基于该实验，我们选择为ReLU函数。

对于第二点，我们的方式是在注意力矩阵中引入先验locality信息，观察Softmax注意力矩阵，如下图所示，我们发现其注意力矩阵的权重在对角线附近很集中：

所以我们的方法需要在加了reweighting操作后也更加集中在对角线附近。注意并非所有的有类似权重的函数均适用，这个reweighting的函数需要跟前面的QK一样可以拆分成两个矩阵的乘法的形式。

至此，就可以引入我们的cosFormer了。

cosFormer如何超越Softmax？

我们的方法基于线性Attention，首先给出符号定义：

根据之前的分析，我们选择了：

可得：

为了进行reweighting操作，并且同时保证线性Attention的计算方式依然成立，我们选择了cos函数：

展开可得：

为了便于展示，我们把它记作：

最终得到：

上式和线性Attention的计算方式一致，经过分析不难得出时间复杂度依然是O(N)。

具体性能究竟有多好？

我们在单向模型，双向模型以及LRA benchmark上测试了我们的方法，均取得了非常不错的效果。

单向语言模型，指标表示困惑度（越低越好）：

双向语言模型，指标表示准确率（越高越好）：

LRA benchmark：

性能实验，指标表示准确率（越高越好）：

内存速度实验，指标表示速度（越高越好，如果内存溢出，则标记为叉）：

目前代码已开源，感兴趣的小伙伴们可以戳下方地址了解了~

论文地址：
https://arxiv.org/abs/2202.08791

部分开源代码：
https://github.com/OpenNLPLab/cosFormer