Transformer 的高性能依賴于極高的算力，這讓移動(dòng)端 NLP 嚴(yán)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(dòng)端 NLP 架構(gòu) Lite Transformer，向在邊緣設(shè)備上部署移動(dòng)級(jí) NLP 應(yīng)用邁進(jìn)了一大步。

雖然推出還不到 3 年，Transformer 已成為自然語言處理（NLP）領(lǐng)域里不可或缺的一環(huán)。然而這樣流行的算法卻需要極高的算力才能實(shí)現(xiàn)足夠的性能，這對(duì)于受到算力和電池嚴(yán)格限制的移動(dòng)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(dòng)端 NLP 架構(gòu) Lite Transformer，向在邊緣設(shè)備上部署移動(dòng)級(jí) NLP 應(yīng)用邁進(jìn)了一大步。該論文已被人工智能頂會(huì) ICLR 2020 收錄。

該研究是由 MIT 電氣工程和計(jì)算機(jī)科學(xué)系助理教授韓松領(lǐng)導(dǎo)的。韓松的研究廣泛涉足深度學(xué)習(xí)和計(jì)算機(jī)體系結(jié)構(gòu)，他提出的 Deep Compression 模型壓縮技術(shù)曾獲得 ICLR2016 最佳論文，論文 ESE 稀疏神經(jīng)網(wǎng)絡(luò)推理引擎 2017 年曾獲得芯片領(lǐng)域頂級(jí)會(huì)議——FPGA 最佳論文獎(jiǎng)，引領(lǐng)了世界深度學(xué)習(xí)加速研究，對(duì)業(yè)界影響深遠(yuǎn)。

論文地址：
https://arxiv.org/abs/2004.11886v1

GitHub 地址：
https://github.com/mit-han-lab/lite-transformer

Transformer 在自然語言處理任務(wù)（如機(jī)器翻譯、問答）中應(yīng)用廣泛，但它需要大量計(jì)算去實(shí)現(xiàn)高性能，而這不適合受限于硬件資源和電池嚴(yán)格限制的移動(dòng)應(yīng)用。

這項(xiàng)研究提出了一種高效的移動(dòng)端 NLP 架構(gòu)——Lite Transformer，它有助于在邊緣設(shè)備上部署移動(dòng) NLP 應(yīng)用。其核心是長(zhǎng)短距離注意力（Long-Short Range Attention，LSRA），其中一組注意力頭（通過卷積）負(fù)責(zé)局部上下文建模，而另一組則（依靠注意力）執(zhí)行長(zhǎng)距離關(guān)系建模。

這樣的專門化配置使得模型在三個(gè)語言任務(wù)上都比原版 transformer 有所提升，這三個(gè)任務(wù)分別是機(jī)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(shù)據(jù)集上的 BLEU 值比分別比 transformer 高 1.2/1.7。Lite Transformer 比 transformer base 模型的計(jì)算量減少了 60%，而 BLEU 分?jǐn)?shù)卻只降低了 0.3。結(jié)合剪枝和量化技術(shù)，研究者進(jìn)一步將 Lite Transformer 模型的大小壓縮到原來的 5%。

對(duì)于語言建模任務(wù)，在大約 500M MACs 上，Lite Transformer 比 transformer 的困惑度低 1.8。

值得注意的是，對(duì)于移動(dòng) NLP 設(shè)置，Lite Transformer 的 BLEU 值比基于 AutoML 的 Evolved Transformer 高 0.5，而且它不需要使用成本高昂的架構(gòu)搜索。

從 Lite Transformer 與 Evolved Transformer、原版 transformer 的比較結(jié)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。

那么，Lite Transformer 為何能夠?qū)崿F(xiàn)高性能和低成本呢？接下來我們來了解其核心思想。

長(zhǎng)短距離注意力（LSRA）

NLP 領(lǐng)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(duì) BERT 不同層的注意力權(quán)重進(jìn)行了可視化。

如下圖 3b 所示，權(quán)重 w 表示源句單詞與目標(biāo)句單詞之間的關(guān)系（自注意力也是如此）。隨著權(quán)重 w_ij 的增加（顏色加深），源句中的第 i 個(gè)詞更加注意目標(biāo)句中的第 j 個(gè)詞。注意力圖通常有很強(qiáng)的模式化特征：稀疏和對(duì)角線。它們代表了一些特定單詞之間的關(guān)系：稀疏表示長(zhǎng)距離信息間的關(guān)系，對(duì)角線表示近距離信息間的關(guān)系。研究者將前者稱為「全局」關(guān)系，將后者稱為「局部」關(guān)系。

圖 3：Lite Transformer 架構(gòu) (a) 和注意力權(quán)重的可視化。傳統(tǒng)的注意力 (b) 過于強(qiáng)調(diào)局部關(guān)系建模（參見對(duì)角線結(jié)構(gòu)）。該研究使用卷積層專門處理局部特征提取工作，以高效建模局部信息，從而使注意力分支可以專門進(jìn)行全局特征提取 (c)。

在翻譯任務(wù)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(shè)計(jì)相比，這并非最佳選擇。以硬件設(shè)計(jì)為例，CPU 等通用硬件的效率比 FPGA 等專用硬件低。研究者認(rèn)為應(yīng)該分別捕捉全局和局部上下文。模型容量較大時(shí)，可以容忍冗余，甚至可以提供更好的性能。但是在移動(dòng)應(yīng)用上，由于計(jì)算和功率的限制，模型應(yīng)該更加高效。因此，更需要專門化的上下文捕獲。

為了解決該問題，該研究提出一個(gè)更專門化的架構(gòu)，即長(zhǎng)短距離注意力（LSRA），而不是使用處理 “一般” 信息的模塊。該架構(gòu)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(shè)計(jì)。左側(cè)注意力分支負(fù)責(zé)捕獲全局上下文，右側(cè)卷積分支則建模局部上下文。研究者沒有將整個(gè)輸入饋送到兩個(gè)分支，而是將其沿通道維度分為兩部分，然后由后面的 FFN 層進(jìn)行混合。這種做法將整體計(jì)算量減少了 50%。

左側(cè)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。至于處理局部關(guān)系的右分支，一個(gè)自然的想法是對(duì)序列應(yīng)用卷積。使用滑動(dòng)窗口，模塊可以輕松地覆蓋對(duì)角線組。為了進(jìn)一步減少計(jì)算量，研究者將普通卷積替換為輕量級(jí)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并排放置，引導(dǎo)它們對(duì)句子進(jìn)行全局和局部的不同角度處理，從而使架構(gòu)從這種專門化設(shè)置中受益，并實(shí)現(xiàn)更高的效率。

實(shí)驗(yàn)設(shè)置

數(shù)據(jù)集和評(píng)估

研究者在機(jī)器翻譯、文本摘要和語言建模三個(gè)任務(wù)上進(jìn)行了實(shí)驗(yàn)和評(píng)估。

具體而言，機(jī)器翻譯任務(wù)使用了三個(gè)基準(zhǔn)數(shù)據(jù)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(wù)使用的是 CNN-DailyMail 數(shù)據(jù)集。

語言建模任務(wù)則在 WIKITEXT-103 數(shù)據(jù)集上進(jìn)行。

架構(gòu)

模型架構(gòu)是基于序列到序列學(xué)習(xí)的編碼器 - 解碼器。在機(jī)器翻譯任務(wù)中，針對(duì) WMT 數(shù)據(jù)集，基線模型基于 Vaswani 等人提出的模型。對(duì)于 IWSLT 數(shù)據(jù)集，基線模型遵循 Wu 等人的設(shè)置。對(duì)于文本摘要任務(wù)，研究者采用了與 WMT 相同的模型。至于語言建模任務(wù)，模型與 Baevski & Auli (2019) 一致，但模型尺寸較小。

該研究提出的架構(gòu)首先將 transformer base 模型中的 bottleneck 拉平，然后用 LSRA 替換自注意力。更具體地說，是使用兩個(gè)專門的模塊，一個(gè)注意力分支和一個(gè)卷積分支。

實(shí)驗(yàn)結(jié)果

機(jī)器翻譯

表 1 展示了 Lite Transformer 在 IWSLT’14 De-En 數(shù)據(jù)集上的定量結(jié)果，并與 transformer 基線方法和 LightConv 做了對(duì)比。在大約 100M Mult-Adds 時(shí)，Lite Transformer 模型的 BLEU 值比 transformer 高出 1.6。

表 1：IWSLT’14 De-En 上的結(jié)果。

表 2 中的定量結(jié)果表明，在 100M Mult-Adds 設(shè)置下，Lite Transformer 在 WMT En-De 數(shù)據(jù)集和 WMT En-Fr 數(shù)據(jù)集上的 BLEU 值分別比 Transformer 高出 1.2 和 1.7，在 300M Mult-Adds 設(shè)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(jié)果。

研究者還提供了模型在 WMT En-Fr 上的權(quán)衡曲線，如圖 4a 所示，Lite Transformer 一直優(yōu)于原版 transformer。

圖 4：在 WMT En-Fr 數(shù)據(jù)集上的機(jī)器翻譯權(quán)衡曲線，以及在 WIKITEXT-103 數(shù)據(jù)集上的語言建模權(quán)衡曲線。兩個(gè)曲線都說明了在移動(dòng)設(shè)置下，Lite Transformer 比 transformer 性能更佳（藍(lán)色區(qū)域）。

與自動(dòng)化設(shè)計(jì)模型的對(duì)比

與基于 AutoML 的 Evolved Transformer（ET）相比，Lite Transformer 在移動(dòng)設(shè)置中也有明顯的改進(jìn)。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(xùn)練成本。

文本摘要

表 4：在 CNN-DailyMail 數(shù)據(jù)集上的文本摘要結(jié)果。

表 5：在 WIKITEXT-103 數(shù)據(jù)集上的語言建模結(jié)果。