机器之心报道
编辑：Panda
Deepmind 出新招，ReLU 尽展优势。
Transformer 架构已经在现代机器学习领域得到了广泛的应用。注意力是 transformer 的一大核心组件，其中包含了一个 softmax，作用是产生 token 的一个概率分布。softmax 有较高的成本，因为其会执行指数计算和对序列长度求和，这会使得并行化难以执行。
Google DeepMind 想到了一个新思路：用某种不一定会输出概率分布的新方法替代 softmax 运算。他们还观察到：在用于视觉 Transformer 时，使用 ReLU 除以序列长度的注意力可以接近或匹敌传统的 softmax 注意力。
论文：https://arxiv.org/abs/2309.08586
这一结果为并行化带来了新方案，因为 ReLU 注意力可以在序列长度维度上并行化，其所需的 gather 运算少于传统的注意力。
方法
注意力
实验与结果
主要结果
图 1 说明在 ImageNet-21k 训练方面，ReLU 注意力与 softmax 注意力的扩展趋势相当。X 轴展示了实验所需的内核计算总时间（小时）。ReLU 注意力的一大优势是能在序列长度维度上实现并行化，其所需的 gather 操作比 softmax 注意力更少。
序列长度扩展的效果
图 2 对比了序列长度扩展方法与其它多种替代 softmax 的逐点式方案的结果。具体来说，就是用 relu、relu2、gelu、softplus、identity 等方法替代 softmax。X 轴是 α。Y 轴则是 S/32、S/16 和 S/8 视觉 Transformer 模型的准确度。最佳结果通常是在 α 接近 1 时得到。由于没有明确的最佳非线性，所以他们在主要实验中使用了 ReLU，因为它速度更快。
qk-layernorm 的效果
主要实验中使用了 qk-layernorm，在这其中查询和键会在计算注意力权重前被传递通过 LayerNorm。DeepMind 表示，默认使用 qk-layernorm 的原因是在扩展模型大小时有必要防止不稳定情况发生。图 3 展示了移除 qk-layernorm 的影响。这一结果表明 qk-layernorm 对这些模型的影响不大，但当模型规模变大时，情况可能会不一样。
添加门的效果
先前有移除 softmax 的研究采用了添加一个门控单元的做法，但这种方法无法随序列长度而扩展。具体来说，在门控注意力单元中，会有一个额外的投影产生输出，该输出是在输出投影之前通过逐元素的乘法组合得到的。图 4 探究了门的存在是否可消除对序列长度扩展的需求。总体而言，DeepMind 观察到，不管有没有门，通过序列长度扩展都可以得到最佳准确度。也要注意，对于使用 ReLU 的 S/8 模型，这种门控机制会将实验所需的核心时间增多大约 9.3%。