模型压缩95%：Lite Transformer，MIT韩松等人

模型压缩95%：Lite Transformer，MIT韩松等人

Lite Transformer with Long-Short Range Attention

Zhanghao Wu, Zhijian Liu, Ji Lin, Yujun Lin, Song Han

• 论文地址：https://arxiv.org/abs/2004.11886v1
• GitHub 地址：https://github.com/mit-han-lab/lite-transformer

摘要

Transformer在自然语言处理（如机器翻译、问答等）中已经非常普遍，但是它需要大量的计算才能达到较高的性能，这使得它不适合于硬件资源和电池的严格限制下的移动应用。本文提出了一种高效的移动NLP架构Lite Transformer，以便于在边缘设备上部署移动NLP应用。关键原语是长-短距离注意（LSRA），其中一组负责人专门研究局部上下文建模（通过卷积），另一组负责人专门研究长距离关系建模（通过注意）。这种专业化在三个公认的语言任务（机器翻译、抽象摘要和语言建模）上比普通的转换程序带来了一致的改进。在资源受限（500米/100米MACs）的情况下，Lite Transformer的性能分别比WMT的14英法文高1.2/1.7 BLEU。Lite-Transformer在BLEU评分下降0.3的情况下，将变压器基础模型的计算量减少了2.5x。结合剪枝和量化，进一步压缩了Lite-Transformer的模型尺寸18.2x，在语言建模方面，Lite-Transformer在500M左右的MACs下比Transformer的复杂度降低了1.8。值得注意的是，Lite Transformer比基于AutoML的演进Transformer在移动NLP设置上的BLEU高0.5，而无需花费超过250 GPU年的昂贵架构搜索。

Transformer 的高性能依赖于极高的算力，这让移动端 NLP 严重受限。在不久之前的 ICLR 2020 论文中，MIT 与上海交大的研究人员提出了一种高效的移动端 NLP 架构 Lite Transformer，向在边缘设备上部署移动级 NLP 应用迈进了一大步。

虽然推出还不到 3 年，Transformer 已成为自然语言处理（NLP）领域里不可或缺的一环。然而这样流行的算法却需要极高的算力才能实现足够的性能，这对于受到算力和电池严格限制的移动端来说有些力不从心。

在 MIT 最近的研究《Lite Transformer
with Long-Short Range Attention》中，MIT
与上海交大的研究人员提出了一种高效的移动端 NLP 架构 Lite Transformer，向在边缘设备上部署移动级 NLP 应用迈进了一大步。该论文已被人工智能顶会 ICLR 2020 收录。

该研究是由 MIT 电气工程和计算机科学系助理教授韩松领导的。韩松的研究广泛涉足深度学习和计算机体系结构，他提出的 Deep Compression 模型压缩技术曾获得 ICLR2016 最佳论文，论文 ESE 稀疏神经网络推理引擎 2017 年曾获得芯片领域顶级会议——FPGA 最佳论文奖，引领了世界深度学习加速研究，对业界影响深远。

图1：左：最近NLP模型的大小增长迅速，超过了移动限制很多。右图：基于AutoML的NLP模型的搜索成本高得令人望而却步，因为它会排放碳，二氧化碳几乎是汽车寿命平均排放量的5倍。

注意机制在各种应用中得到了广泛的应用，包括1-D（language              处理（Vaswani等人，2017年）、二维（图像识别）和三维（视频识别）（Wang等人2018年）。它计算所有输入元素之间的成对点积，以对两个短期元素进行建模以及长期的关系。尽管该操作有效，但它引入了大量计算。

假设元素的数量（例如，语言处理中标记的长度、像素的数量在图像等中，输入到注意层的是N，而特征（即通道）的维数是d，则点积所需的计算是N2d。

为了解决这个难题，通常的做法是首先使用注意力之前的线性投影层，然后增加尺寸（如图2所示）。在transformer的原始设计中（Vaswani等人，2017），通道尺寸注意模块比FFN层小4倍。同样，在非本地视频中，网络（Wang等人，2018），在应用非本地注意模块。这种做法节省了16×或4×的计算量。然而，它也减少了语境对特征维度较小的注意层的捕获能力。情况可能更糟的是语言处理，因为注意力是获取上下文的主要模块（不像卷积进行图像和视频的主要信息捕获）。

Transformer 在自然语言处理任务（如机器翻译、问答）中应用广泛，但它需要大量计算去实现高性能，而这不适合受限于硬件资源和电池严格限制的移动应用。

这项研究提出了一种高效的移动端 NLP 架构——Lite
Transformer，它有助于在边缘设备上部署移动 NLP 应用。其核心是长短距离注意力（Long-Short Range Attention，LSRA），其中一组注意力头（通过卷积）负责局部上下文建模，而另一组则（依靠注意力）执行长距离关系建模。

这样的专门化配置使得模型在三个语言任务上都比原版 transformer 有所提升，这三个任务分别是机器翻译、文本摘要和语言建模。

在资源有限的情况下（500M/100M MACs），Lite
Transformer 在 WMT’14 英法数据集上的
BLEU 值比分别比 transformer 高
1.2/1.7。Lite Transformer 比
transformer base 模型的计算量减少了 60%，而 BLEU 分数却只降低了 0.3。结合剪枝和量化技术，研究者进一步将 Lite Transformer 模型的大小压缩到原来的 5%。

对于语言建模任务，在大约 500M MACs 上，Lite
Transformer 比 transformer 的困惑度低
1.8。

值得注意的是，对于移动 NLP 设置，Lite
Transformer 的 BLEU 值比基于 AutoML 的 Evolved
Transformer 高 0.5，而且它不需要使用成本高昂的架构搜索。

从 Lite Transformer 与 Evolved
Transformer、原版 transformer 的比较结果中可以看出，Lite Transformer 的性能更佳，搜索成本相比 Evolved
Transformer 大大减少。

那么，Lite Transformer 为何能够实现高性能和低成本呢？接下来我们来了解其核心思想。

长短距离注意力（LSRA）

NLP 领域的研究人员试图理解被注意力捕捉到的上下文。Kovaleva 等人 (2019) 和 Clark 等人
(2020) 对 BERT 不同层的注意力权重进行了可视化。

如下图 3b 所示，权重 w 表示源句单词与目标句单词之间的关系（自注意力也是如此）。随着权重 w_ij 的增加（颜色加深），源句中的第 i 个词更加注意目标句中的第 j 个词。注意力图通常有很强的模式化特征：稀疏和对角线。它们代表了一些特定单词之间的关系：稀疏表示长距离信息间的关系，对角线表示近距离信息间的关系。研究者将前者称为「全局」关系，将后者称为「局部」关系。

图 3：Lite Transformer 架构 (a) 和注意力权重的可视化。传统的注意力 (b) 过于强调局部关系建模（参见对角线结构）。该研究使用卷积层专门处理局部特征提取工作，以高效建模局部信息，从而使注意力分支可以专门进行全局特征提取 (c)。

在翻译任务中，注意力模块必须捕获全局和局部上下文，这需要很大的容量。与专门化的设计相比，这并非最佳选择。以硬件设计为例，CPU 等通用硬件的效率比 FPGA 等专用硬件低。研究者认为应该分别捕捉全局和局部上下文。模型容量较大时，可以容忍冗余，甚至可以提供更好的性能。但是在移动应用上，由于计算和功率的限制，模型应该更加高效。因此，更需要专门化的上下文捕获。

为了解决该问题，该研究提出一个更专门化的架构，即长短距离注意力（LSRA），而不是使用处理 “一般” 信息的模块。该架构分别捕获局部和全局上下文。

如图 3a 所示，LSRA 模块遵循两分支设计。左侧注意力分支负责捕获全局上下文，右侧卷积分支则建模局部上下文。研究者没有将整个输入馈送到两个分支，而是将其沿通道维度分为两部分，然后由后面的 FFN 层进行混合。这种做法将整体计算量减少了 50%。

左侧分支是正常的注意力模块（Vaswani et al. (2017)），不过通道维度减少了一半。至于处理局部关系的右分支，一个自然的想法是对序列应用卷积。使用滑动窗口，模块可以轻松地覆盖对角线组。为了进一步减少计算量，研究者将普通卷积替换为轻量级的版本，该版本由线性层和深度卷积组成。通过这种方式，研究者将注意力模块和卷积模块并排放置，引导它们对句子进行全局和局部的不同角度处理，从而使架构从这种专门化设置中受益，并实现更高的效率。

实验设置

数据集和评估 研究者在机器翻译、文本摘要和语言建模三个任务上进行了实验和评估。

具体而言，机器翻译任务使用了三个基准数据集：IWSLT’14 德语 - 英语 (De-En)、WMT 英语 - 德语 (En-De)、WMT 英语 - 法语(En-Fr)。

文本摘要任务使用的是 CNN-DailyMail 数据集。

语言建模任务则在 WIKITEXT-103 数据集上进行。

架构

模型架构是基于序列到序列学习的编码器 - 解码器。在机器翻译任务中，针对 WMT 数据集，基线模型基于 Vaswani 等人提出的模型。对于 IWSLT 数据集，基线模型遵循 Wu 等人的设置。对于文本摘要任务，研究者采用了与 WMT 相同的模型。至于语言建模任务，模型与 Baevski & Auli
(2019) 一致，但模型尺寸较小。

该研究提出的架构首先将 transformer base 模型中的 bottleneck 拉平，然后用 LSRA 替换自注意力。更具体地说，是使用两个专门的模块，一个注意力分支和一个卷积分支。

实验结果

机器翻译

表 1 展示了 Lite Transformer 在 IWSLT’14 De-En 数据集上的定量结果，并与 transformer 基线方法和 LightConv 做了对比。在大约 100M Mult-Adds 时，Lite Transformer 模型的 BLEU 值比 transformer 高出 1.6。

表 1：IWSLT’14 De-En 上的结果。

表 2 中的定量结果表明，在 100M Mult-Adds 设置下，Lite Transformer 在 WMT En-De 数据集和 WMT En-Fr 数据集上的 BLEU 值分别比 Transformer 高出 1.2 和 1.7，在 300M Mult-Adds 设置下，也有 0.5 和 1.5 分的提升。

表 2：在 WMT’14 En-De 和
WMT’14 En-Fr 上的结果。

研究者还提供了模型在 WMT  En-Fr 上的权衡曲线，如图 4a 所示，Lite Transformer 一直优于原版 transformer。

图 4：在 WMT En-Fr 数据集上的机器翻译权衡曲线，以及在 WIKITEXT-103 数据集上的语言建模权衡曲线。两个曲线都说明了在移动设置下，Lite Transformer 比 transformer 性能更佳（蓝色区域）。

与自动化设计模型的对比

与基于 AutoML 的 Evolved Transformer（ET）相比，Lite Transformer 在移动设置中也有明显的改进。此外，在 100M 和 300M 的
Mult-Adds 下，Lite Transformer 的
BLEU 值分别比 ET 高 0.5 和 0.2，详见表 3。

表 3：不同 NMT 模型的性能和训练成本。

文本摘要

表 4：在 CNN-DailyMail 数据集上的文本摘要结果。

表 5：在 WIKITEXT-103 数据集上的语言建模结果。