模型壓縮95%：Lite
Transformer，MIT韓松等人
Lite Transformer with Long-Short Range Attention
Zhanghao Wu, Zhijian Liu, Ji Lin, Yujun Lin, Song Han
· 論文地址：https://arxiv.org/abs/2004.11886v1
· GitHub 地址：https://github.com/mit-han-lab/lite-transformer
摘要
Transformer在自然語言處理（如機器翻譯、問答等）中已經非常普遍，但是它需要大量的計算才能達到較高的性能，這使得它不適合於硬件資源和電池的嚴格限制下的移動應用。本文提出了一種高效的移動NLP架構Lite Transformer，以便於在邊緣設備上部署移動NLP應用。關鍵原語是長-短距離注意（LSRA），其中一組負責人專門研究局部上下文建模（通過卷積），另一組負責人專門研究長距離關係建模（通過注意）。這種專業化在三個公認的語言任務（機器翻譯、抽象摘要和語言建模）上比普通的轉換程序帶來了一致的改進。在資源受限（500米/100米MACs）的情況下，Lite Transformer的性能分別比WMT的14英法文高1.2/1.7 BLEU。Lite-Transformer在BLEU評分下降0.3的情況下，將變壓器基礎模型的計算量減少了2.5x。結合剪枝和量化，進一步壓縮了Lite-Transformer的模型尺寸18.2x，在語言建模方面，Lite-Transformer在500M左右的MACs下比Transformer的複雜度降低了1.8。值得注意的是，Lite Transformer比基於AutoML的演進Transformer在移動NLP設置上的BLEU高0.5，而無需花費超過250 GPU年的昂貴架構搜索。
Transformer 的高性能依賴於極高的算力，這讓移動端 NLP 嚴重受限。在不久之前的 ICLR 2020 論文中，MIT 與上海交大的研究人員提出了一種高效的移動端 NLP 架構 Lite Transformer，向在邊緣設備上部署移動級 NLP 應用邁進了一大步。
雖然推出還不到 3 年，Transformer 已成爲自然語言處理（NLP）領域裏不可或缺的一環。然而這樣流行的算法卻需要極高的算力才能實現足夠的性能，這對於受到算力和電池嚴格限制的移動端來說有些力不從心。
在 MIT 最近的研究《Lite Transformer with Long-Short Range Attention》中，MIT與上海交大的研究人員提出了一種高效的移動端 NLP 架構 Lite Transformer，向在邊緣設備上部署移動級 NLP 應用邁進了一大步。該論文已被人工智能頂會 ICLR 2020 收錄。
該研究是由 MIT 電氣工程和計算機科學系助理教授韓松領導的。韓松的研究廣泛涉足深度學習和計算機體系結構，他提出的 Deep Compression 模型壓縮技術曾獲得 ICLR2016 最佳論文，論文 ESE 稀疏神經網絡推理引擎 2017 年曾獲得芯片領域頂級會議——FPGA 最佳論文獎，引領了世界深度學習加速研究，對業界影響深遠。
圖1：左：最近NLP模型的大小增長迅速，超過了移動限制很多。右圖：基於AutoML的NLP模型的搜索成本高得令人望而卻步，因爲它會排放碳，二氧化碳幾乎是汽車壽命平均排放量的5倍。
在這裏插入圖片描述
注意機制在各種應用中得到了廣泛的應用，包括1-Dlanguage處理（Vaswani等人，2017年）、二維（圖像識別）和三維（視頻識別）（Wang等人2018年）。它計算所有輸入元素之間的成對點積，以對兩個短期元素進行建模以及長期的關係。儘管該操作有效，但它引入了大量計算。
假設元素的數量（例如，語言處理中標記的長度、像素的數量在圖像等中，輸入到注意層的是N，而特徵（即通道）的維數是d，則點積所需的計算是N2d。
爲了解決這個難題，通常的做法是首先使用注意力之前的線性投影層，然後增加尺寸（如圖2所示）。在transformer的原始設計中（Vaswani等人，2017），通道尺寸注意模塊比FFN層小4倍。同樣，在非本地視頻中，網絡（Wang等人，2018），在應用非本地注意模塊。這種做法節省了16×或4×的計算量。然而，它也減少了語境對特徵維度較小的注意層的捕獲能力。情況可能更糟的是語言處理，因爲注意力是獲取上下文的主要模塊（不像卷積進行圖像和視頻的主要信息捕獲）。
Transformer 在自然語言處理任務（如機器翻譯、問答）中應用廣泛，但它需要大量計算去實現高性能，而這不適合受限於硬件資源和電池嚴格限制的移動應用。
這項研究提出了一種高效的移動端 NLP 架構——Lite
Transformer，它有助於在邊緣設備上部署移動 NLP 應用。其核心是長短距離注意力（Long-Short Range Attention，LSRA），其中一組注意力頭（通過卷積）負責局部上下文建模，而另一組則（依靠注意力）執行長距離關係建模。
這樣的專門化配置使得模型在三個語言任務上都比原版 transformer 有所提升，這三個任務分別是機器翻譯、文本摘要和語言建模。
在資源有限的情況下（500M/100M MACs），Lite Transformer 在 WMT’14 英法數據集上的BLEU 值比分別比 transformer 高1.2/1.7。Lite Transformer 比transformer base 模型的計算量減少了 60%，而 BLEU 分數卻只降低了 0.3。結合剪枝和量化技術，研究者進一步將 Lite Transformer 模型的大小壓縮到原來的 5%。
對於語言建模任務，在大約 500M MACs 上，Lite Transformer 比 transformer 的困惑度低1.8。
值得注意的是，對於移動 NLP 設置，Lite Transformer 的 BLEU 值比基於 AutoML 的 Evolved Transformer 高 0.5，而且它不需要使用成本高昂的架構搜索。
從 Lite Transformer 與 Evolved Transformer、原版 transformer 的比較結果中可以看出，Lite Transformer 的性能更佳，搜索成本相比 Evolved Transformer 大大減少。
那麼，Lite Transformer 爲何能夠實現高性能和低成本呢？接下來我們來了解其核心思想。
長短距離注意力（LSRA）
NLP 領域的研究人員試圖理解被注意力捕捉到的上下文。Kovaleva 等人 (2019) 和 Clark 等人(2020) 對 BERT 不同層的注意力權重進行了可視化。
如下圖 3b 所示，權重 w 表示源句單詞與目標句單詞之間的關係（自注意力也是如此）。隨着權重 w_ij 的增加（顏色加深），源句中的第 i 個詞更加註意目標句中的第 j 個詞。注意力圖通常有很強的模式化特徵：稀疏和對角線。它們代表了一些特定單詞之間的關係：稀疏表示長距離信息間的關係，對角線表示近距離信息間的關係。研究者將前者稱爲「全局」關係，將後者稱爲「局部」關係。
圖 3：Lite Transformer 架構 (a) 和注意力權重的可視化。傳統的注意力 (b) 過於強調局部關係建模（參見對角線結構）。該研究使用卷積層專門處理局部特徵提取工作，以高效建模局部信息，從而使注意力分支可以專門進行全局特徵提取 ©。
在翻譯任務中，注意力模塊必須捕獲全局和局部上下文，這需要很大的容量。與專門化的設計相比，這並非最佳選擇。以硬件設計爲例，CPU 等通用硬件的效率比 FPGA 等專用硬件低。研究者認爲應該分別捕捉全局和局部上下文。模型容量較大時，可以容忍冗餘，甚至可以提供更好的性能。但是在移動應用上，由於計算和功率的限制，模型應該更加高效。因此，更需要專門化的上下文捕獲。
爲了解決該問題，該研究提出一個更專門化的架構，即長短距離注意力（LSRA），而不是使用處理 “一般” 信息的模塊。該架構分別捕獲局部和全局上下文。
如圖 3a 所示，LSRA 模塊遵循兩分支設計。左側注意力分支負責捕獲全局上下文，右側卷積分支則建模局部上下文。研究者沒有將整個輸入饋送到兩個分支，而是將其沿通道維度分爲兩部分，然後由後面的 FFN 層進行混合。這種做法將整體計算量減少了 50%。
左側分支是正常的注意力模塊（Vaswani et al. (2017)），不過通道維度減少了一半。至於處理局部關係的右分支，一個自然的想法是對序列應用卷積。使用滑動窗口，模塊可以輕鬆地覆蓋對角線組。爲了進一步減少計算量，研究者將普通卷積替換爲輕量級的版本，該版本由線性層和深度卷積組成。通過這種方式，研究者將注意力模塊和卷積模塊並排放置，引導它們對句子進行全局和局部的不同角度處理，從而使架構從這種專門化設置中受益，並實現更高的效率。
實驗設置
數據集和評估 研究者在機器翻譯、文本摘要和語言建模三個任務上進行了實驗和評估。
具體而言，機器翻譯任務使用了三個基準數據集：IWSLT’14 德語 - 英語 (De-En)、WMT 英語 - 德語 (En-De)、WMT 英語 - 法語(En-Fr)。
文本摘要任務使用的是 CNN-DailyMail 數據集。
語言建模任務則在 WIKITEXT-103 數據集上進行。
架構
模型架構是基於序列到序列學習的編碼器 - 解碼器。在機器翻譯任務中，針對 WMT 數據集，基線模型基於 Vaswani 等人提出的模型。對於 IWSLT 數據集，基線模型遵循 Wu 等人的設置。對於文本摘要任務，研究者採用了與 WMT 相同的模型。至於語言建模任務，模型與 Baevski & Auli(2019) 一致，但模型尺寸較小。
該研究提出的架構首先將 transformer base 模型中的 bottleneck 拉平，然後用 LSRA 替換自注意力。更具體地說，是使用兩個專門的模塊，一個注意力分支和一個卷積分支。
實驗結果
機器翻譯
表 1 展示了 Lite Transformer 在 IWSLT’14 De-En 數據集上的定量結果，並與 transformer 基線方法和 LightConv 做了對比。在大約 100M Mult-Adds 時，Lite Transformer 模型的 BLEU 值比 transformer 高出 1.6。
表 1：IWSLT’14 De-En 上的結果。
表 2 中的定量結果表明，在 100M Mult-Adds 設置下，Lite Transformer 在 WMT En-De 數據集和 WMT En-Fr 數據集上的 BLEU 值分別比 Transformer 高出 1.2 和 1.7，在 300M Mult-Adds 設置下，也有 0.5 和 1.5 分的提升。
表 2：在 WMT’14 En-De 和WMT’14 En-Fr 上的結果。
研究者還提供了模型在 WMT En-Fr 上的權衡曲線，如圖 4a 所示，Lite Transformer 一直優於原版 transformer。
圖 4：在 WMT En-Fr 數據集上的機器翻譯權衡曲線，以及在 WIKITEXT-103 數據集上的語言建模權衡曲線。兩個曲線都說明了在移動設置下，Lite Transformer 比 transformer 性能更佳（藍色區域）。
與自動化設計模型的對比
與基於 AutoML 的 Evolved Transformer（ET）相比，Lite Transformer 在移動設置中也有明顯的改進。此外，在 100M 和 300M 的Mult-Adds 下，Lite Transformer 的BLEU 值分別比 ET 高 0.5 和 0.2，詳見表 3。
表 3：不同 NMT 模型的性能和訓練成本。
文本摘要
表 4：在 CNN-DailyMail 數據集上的文本摘要結果。
表 5：在 WIKITEXT-103 數據集上的語言建模結果。