MoT：高效的多模态Transformers

最新推荐文章于 2024-12-22 10:00:00 发布

Python_金钱豹

最新推荐文章于 2024-12-22 10:00:00 发布

阅读量1.1k

点赞数 26

文章标签： microsoft ocr 人工智能 cnn transformer

本文链接：https://blog.csdn.net/Python_cocola/article/details/144300897

版权

本文介绍Meta 最近提出的用于提速多模态 Transformer 的框架 Mixture of Transformers (MoT)。MoT 是一种稀疏多模态 Transformers，可以在文本和图像处理中仅使用一半的计算资源达到与传统模型相当的性能。

MoT 框图如下图所示：

MoT 旨在处理任意交错模态（如文本、图像和语音）序列。每种模态都使用单独的一组非 Embedding 的 Transformers 参数（包括 FFN、Attn 和 LayNorm）。在训练过程中，每种类型的模态使用特定的模态损失函数进行优化。

Motivation

LLMs 的发展已经扩展到能够在统一框架内处理多种数据类型的多模态大型语言模型（MM-LLMs）。最近研究表明可以通过 Early-fusion 和 Mixed-modal 在统一架构内处理多模态数据。虽然这种模型具有很大的研究和应用潜力，但由于同时需要跨多个模态进行学习，使得它对数据和计算资源的需求显著增加。

训练 Eary-fusion 的多模态 LLMs 需要比单模态模型更大的数据量和计算资源。每种模态都引入了相应的优化挑战，这些挑战又要求在统一模型中同时解决。经验上，这些模态在 Dense Transformer 模型训练中相互冲突，使优化变得复杂，并增加了计算负载。

此外，为了探究多模态基础模型的内部表示，作者对它们的特征空间进行可视化分析，如下图所示：

传统多模态模型将文本和图像的 Token（如单词和图像片段）的混合序列作为一个单一流进行处理。采用自回归方法，预测序列中的下一个 Token（单词或图像片段）。

随着层数的增加，模型自然地开始将不同模态的 Token（文本和图像）在特征空间中分组成单独的 Cluster。这表明随着层数的增加，模型区分数据类型的能力不断增强。虽然模型将所有数据统一处理，但它依然会在内部区不同模态的数据，这表明增加模态特定组件可以进一步增强这种模型内对模态的区分并提高效率。

受此启发，作者提出了 Mixture-of-Transformers（MoT）的稀疏多模态 Transformer 架构。通过根据模态解耦参数，MoT 降低了计算要求，并减轻了 Dense 架构中出现的训练冲突。

Mixture of Transformers (MoT)

Modality-Specific Parameter Decoupling

MoT 为所有非 Embedding 的模型参数（包括 FFN、Attn 矩阵和 LayerNorm）引入特定于模态的权重，从而扩展标准 Transformer 架构。它使模型能够更有效地处理不同模态，同时保持学习跨模态交互的能力。

设为 Token 的输入序列，其中每个属于一种模态。典型的 Transformer 可以表示为：

在 MoT 中，根据模态来解耦参数，但保留了全局自注意力机制：

虽然 MoT 对参数根据不同模态进行了解耦，但由于全局自注意力机制跨越所有模态运行，它能捕捉跨模态关系：

其中，、和是特定于模态的投影矩阵，和是特定于模态的层归一化。

MoT算法如下所示：

Experiments

作者进行了大量实验，在不同多模态设置下从头开始预训练十三个实例（包括三个7B模型）来评估 MoT 的有效性。实验主要结论如下：

7B 的 MoT模型在仅使用 55.8% 的FLOPs的情况下，达到了与一个 7B Dense 基准模型相当的效果：

将模态扩展至三种（文本、图像和语音）时，MoT 仅使用了37.2%的训练FLOPs，在所有模态上达到了与 Dense 基准模型相当的性能

在Transfusion设置中，7B 的 MoT 模型仅使用1/3的FLOPs，实现了与Dense 基准模型相当的性能

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

在这里插入图片描述