Transformers Assemble（PART IV）

写在前面

上一篇重点在transformer位置信息的改进，这一集挑选了几篇都带有「Sparse」的标签，主要关注点在于transformer结构的复杂度问题。先来看看都有哪些：

「Sparse Transformer from OpenAI，NAACL 2019」
「Adaptively Sparse Transformers，EMNLP2019」
「Explcit Sparse Transformer from PKU」

Generating Long Sequences with Sparse Transformers^[1]

来自 OpenAI 的工作，关注于原始 Transformer 的计算复杂度问题，尤其是在面对长序列输入的情况。为此，论文中将 full attention 进行分解，通过多个 sparse attention 来代替，在不牺牲性能的情况下降低复杂度至。

下图是三种不同的注意力形式，其中上半部分表示一个 6x6 图像的像素之间相互 attend，下半部分表示对应的 connectivity matrix。

（a）原始 Transformer 的 full attention；
（b）「Strided Attention」：这种方式主要应用于图像或者音频，每一个位置通过 attend 其对应的行和列来获取信息，两个 head 的具体表示为：第一个 head 用于 attend 该位置前面的个位置，第二个 head 用于 attend 间隔的位置（如果输入是图像为图像的宽，则 attend 对应的列）：

（c）「Fixed Attention」：这种方式主要应用于像文本之类没有周期性的数据，首先将文本分成固定长度的块，然后第一个 head 处理该块中该位置之前的所有元素，第二个 head 处理每个块的最后一部分的固定大小的部分。

Other Tricks

上面就是 Attention 主要的改进，文中还涉及了一些其他的 tricks。

「pre-activation residual block」来自Identity mappings in deep residual networks^[2]可以使 Transformer 的训练更加容易

其中 resblock(H)的计算如下

「Gradient check-pointing」
「Efficient block-sparse attention kernels」
「Mixed-precision training」

reference

Code Here^[3]
openai sparse-transformer blog^[4]

Adaptively Sparse Transformers^[5]

这篇论文也是对 vanilla Transformer 的改进，提出了 Adaptively Sparse Transformers （AST），优化的两个关键就在其名字中：

「Sparse：」通过替换 Softmax 函数为达到稀疏注意力；
「Adaptively：」每个 attention head 都是模型可自动学习的；

作者指出与先前的sparse transformer(下图sparse transformer就是上一篇论文，adaptive span transformer在本系列第二篇中介绍过)研究不同的是，他们的这一方法可以关注在不连续的输入集合，如下图：

2.1 Sparse Attention

softmax 函数所有结果都不为 0，并且最终所有元素之和为 1，这样的特性决定了相对重要的部分的权值会“缩水”。这一方向的研究很多，作者选用了最近提出的alpha-entmax^[6]：

2.2 AST

对于 Transformer 类模型的功能至关重要的是，不同的 head 会捕获不同的语言现象，这让我们想到对于不同的 head，使用不同的值，使其自适应地让一些 head 稀疏化，一些 head 更接近 softmax。利用上面的替换原始的 softmax 函数后，将看成是与其他网络参数一样的可学习参数，通过随机梯度进行优化。但是通过梯度方法对其自动优化并不容易，然后作者在下面就开始一系列数学推导。。。

2.3 TODO

实在是看不动了。。。

后面的实验和分析也非常有意思的。。。

大家记得看，我先溜了。。。

PS. 在油管上发现了作者的分享视频，放在 reference 里

2.4 Reference

Code Here^[7]
作者分享视频^[8]

Explicit Sparse Transformer: Concentrated Attention Through Explicit Selection^[9]

Motivation和上一篇论文一样，如下图，对于文本I thanked him with all my heart, and I asked him, 'why are you helping me?'，vanilla Transformer（蓝色标记）会对所有元素都有注意，而噪音的注意力会对效果产生影响；新提出的显式稀疏注意力机制（橙色标记）只会关注文本的个attention score最大的元素，从而移除无关信息。

具体实现也非常简单易于实现，且不会增加额外的内存和计算开销。