Bengio等人新作：注意力可被视为RNN，新模型媲美Transformer，但超级省内存

AIGC动态欢迎阅读

原标题：Bengio等人新作：注意力可被视为RNN，新模型媲美Transformer，但超级省内存
关键字：注意力,高效,序列,时间,作者
文章来源：机器之心
内容字数：10182字

内容摘要：

机器之心报道
机器之心编辑部既能像 Transformer 一样并行训练，推理时内存需求又不随 token 数线性递增，长上下文又有新思路了？序列建模的进展具有极大的影响力，因为它们在广泛的应用中发挥着重要作用，包括强化学习（例如，机器人和自动驾驶）、时间序列分类（例如，金融欺诈检测和医学诊断）等。
在过去的几年里，Transformer 的出现标志着序列建模中的一个重大突破，这主要得益于 Transformer 提供了一种能够利用 GPU 并行处理的高性能架构。
然而，Transformer 在推理时计算开销很大，主要在于内存和计算需求呈二次扩展，从而限制了其在低资源环境中的应用（例如，移动和嵌入式设备）。尽管可以采用 KV 缓存等技术提高推理效率，但 Transformer 对于低资源领域来说仍然非常昂贵，原因在于：（1）随 token 数量线性增加的内存，以及（2）缓存所有先前的 token 到模型中。在具有长上下文（即大量 token）的环境中，这一问题对 Transformer 推理的影响更大。
为了解决这个问题，加拿大皇家银行 AI 研究所 Borealis AI、蒙特利尔

原文链接：Bengio等人新作：注意力可被视为RNN，新模型媲美Transformer，但超级省内存

联系作者

文章来源：机器之心
作者微信：almosthuman2014
作者简介：专业的人工智能媒体和产业服务平台