self-attention只是网络中的一小部分,但是当输入序列N很大的时候,网络的计算量大多数会来自于self-attention,其计算量和输入序列
N
2
N^2
N2成正比。
什么时候输入的N会很大呢?
当输入是图像的时候。假设每一个像素作为一个输入,256x256的图片输入的N=
25
6
2
256^2
2562,self-attention的计算量则是
25
6
4
256^4
2564
减少计算量
1. Local Attention/Truncated Attention
2. Stride Attention
3. Global Attention
添加全局的token:包含所有token信息,也被所有的token包含
- 可以选择原始数据中的token作为Gloal token
- 可以另外新加token对所有的token进行映射
相似性聚簇,在同一个类别里面的q和v才进行计算attention
Learnable Patterns:通过网络自己学习哪些地方需要计算attention
Linfomer:很多col的attention存在冗余,因此只对部分col做attention,即在长度为N的K、V中选取其中具有代表性的K个K、V计算N个Q的attention。query长度不改变是为了保障输出维度一致。
那么是如何减少K和V的数目N减少到K的呢?
- Caompressed Attention:通过卷积的方法
- Linformer:N个向量进行随机的线性组合
其实注意力机制的计算量是可以减少的!
O = V ∗ ( K T ∗ Q ) = ( V ∗ K T ) ∗ Q , a t t e n t i o n = T ∗ Q O=V*(K^T*Q)=(V*K^T)*Q, attention=T*Q O=V∗(KT∗Q)=(V∗KT)∗Q,attention=T∗Q
O = ( V ∗ K T ) ∗ Q O=(V*K^T)*Q O=(V∗KT)∗Q计算量要小很多
计算过程中也可减少计算量
也许attention的计算不需要通过K、V向量进行计算,可以直接看作网络的参数
也许不需要attention机制网络效果也不错?