NLP 经典面试题————Self-Attention 的时间复杂度/空间复杂度是怎么计算的?
本人是某双一流大学硕士生,也最近刚好准备参加 2024年秋招,在找大模型算法岗实习中,遇到了很多有意思的面试,所以将这些面试题记录下来,并分享给那些和我一样在为一份满意的offer努力着的小伙伴们!!!
面试题
Self-Attention 的时间复杂度/空间复杂度是怎么计算的?
标准答案
阅读 Transformer 相关的论文,在讨论 self-attention 的时间和空间复杂度时,都会提到是 O(N^2),其中 N 是序列长度。
关于时间复杂度(time complexity)或空间复杂度 O(·),首先要知道这只是一种定性分析,而不是精确的定量分析。
我们来看下 scaled dot-product attention的时间和空间复杂度:
为了分析时间和时间复杂度,我们把上面的计算过程拆分:
只要我们分析出每个计算的复杂度,就可以得到整体计算的复杂度。
我们先来看第一个矩阵乘法
矩阵乘法的朴素算法时间复杂度是
至于空间复杂度,只看存储 计算结果,复杂度是 ,但是也不要觉得这个数字很大,如果 ,其实存储 Q 和 K 要比 更占内(显)存。除非是序列很长 ,空间复杂度 才会是瓶颈。
简单回顾下矩阵乘法
C = np.zeros((m, l)) for i in range(m): for j in range(l): for k in range(n): C[i][j] += A[i][k] * B[k][j]
显而易见,3 个 for 循环,因此矩阵乘法时间复杂度 。
我在网上查找矩阵乘法时间复杂度分析的资料时,发现很多人喜欢用numpy.dot+画图的方式来直观展示,很有趣:
m = 64 n = 64 l = 64 times = [] ms = [] for i in range(20): ms.append(m) begin = time.time() m1 = np.random.random((m, n)) m2 = np.random.random((n, l)) times.append(time.time() - begin) m *= 2 # 改变 m 的大小, 同理可以改变 n 或 l 的大小 # 画图 fig, ax = plt.subplots() ax.set_ylabel('Time') ax.set_xlabel('Array Dimension Size') ax.plot(ms, times) plt.show()
可以看到,矩阵乘法时间和其中 m 维度大小成正相关,斜率 ~1,如果改变 n 或 l 也会得到相同的结论,因此矩阵乘法时间复杂度是 。
由于
因此
的时间复杂度为
我们再来看 softmax 时间复杂度,假设 z 是一维向量:
def softmax(x): m_val = max(x) x = [i-m_val for i in x] x = [math.exp(i) for i in x] deno = sum(x) return [item / deno for item in x] softmax([1,2,3]) # [0.0900, 0.2447, 0.6652]
Self-Attention包括三个步骤:相似度计算,softmax和加权平均
-
step1: 相似度计算可以看作大小为(n,d)和(d,n)的两个矩阵相乘:,得到一个 的矩阵.
-
step2: softmax就是直接计算了,时间复杂度为
-
step3: 加权平均可以看作大小为 和 的两个矩阵相乘: ,得到一个 的矩阵
因此,Self-Attention的时间复杂度是 。
这样,整个
的时间复杂度是:
如果把向量维度 d 看作常数,则可以说 self-attention 的时间复杂度是序列长度的平方。
再来看下空间复杂度,不论是存储
最后存储
的空间复杂度是
这样,整个空间复杂度可以看作:
如果把向量维度 d 看作常数,则可以说 self-attention 的空间复杂度是序列长度的平方。
那么,如何系统的去学习大模型LLM?
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。
作为一名热心肠的互联网老兵,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。
所有资料 ⚡️ ,朋友们如果有需要全套 《LLM大模型入门+进阶学习资源包》,扫码获取~
篇幅有限,部分资料如下:
👉LLM大模型学习指南+路线汇总👈
💥大模型入门要点,扫盲必看!
💥既然要系统的学习大模型,那么学习路线是必不可少的,这份路线能帮助你快速梳理知识,形成自己的体系。
路线图很大就不一一展示了 (文末领取)
👉大模型入门实战训练👈
💥光学理论是没用的,要学会跟着一起做,要动手实操,才能将自己的所学运用到实际当中去,这时候可以搞点实战案例来学习。
👉国内企业大模型落地应用案例👈
💥两本《中国大模型落地应用案例集》 收录了近两年151个优秀的大模型落地应用案例,这些案例覆盖了金融、医疗、教育、交通、制造等众多领域,无论是对于大模型技术的研究者,还是对于希望了解大模型技术在实际业务中如何应用的业内人士,都具有很高的参考价值。 (文末领取)
👉GitHub海量高星开源项目👈
💥收集整理了海量的开源项目,地址、代码、文档等等全都下载共享给大家一起学习!
👉LLM大模型学习视频👈
💥观看零基础学习书籍和视频,看书籍和视频学习是最快捷也是最有效果的方式,跟着视频中老师的思路,从基础到深入,还是很容易入门的。 (文末领取)
👉640份大模型行业报告(持续更新)👈
💥包含640份报告的合集,涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师,还是对AI大模型感兴趣的爱好者,这套报告合集都将为您提供宝贵的信息和启示。
👉获取方式:
这份完整版的大模型 LLM 学习资料已经上传CSDN,朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费
】
😝有需要的小伙伴,可以Vx扫描下方二维码免费领取🆓