10、Flash Attention
标准Attention的中间结果需要通过高带宽内存(HBM)进行存取,空间复杂度为O(N2)。随着输入序列长度的增加,标准Attention计算的时间和空间复杂度呈线性增长。FlashAttention通过减少以及加速对HBM的访问,实现运行加速。运行速度比标准Attention快 2-4 倍,所需内存减少5-20倍。
11、Multi Query Attention
通过让所有的Head之间共享同一份Key和Value矩阵,每个头只单独保留一份Query,从而实现参数量和计算量的减少。
12、相对位置编码
可以在较短的序列长度上训练,在较长的序列长度上推理,进而实现训练加速。例如ALiBi (Attention with Linear Bias),RoPE (rotary positional embeddings)。
13、RMSNorm Normalization
分为Post-Norm和Pre-Norm。Post-Norm在残差连接后对参数归一化,对参数正则化更强。Pre-Norm在残差连接前对参数归一化,有一部分参数直接与后面的参数相加,因此没有对这部分参数进行正则化,可以防止梯度爆炸或消失。RMSNorm是Pre-Norm的一种&#x