比Transformer快4成！Meta发布全新Megabyte模型，解决算力损耗硬伤
前言 本文介绍了vanilla KD方法，它在ImageNet数据集上刷新了多个模型的精度记录。
本文转载自新智元
作者 | Joey
欢迎关注公众号CV技术指南，专注于计算机视觉的技术总结、最新技术跟踪、经典论文解读、CV招聘信息。
【CV技术指南】CV全栈指导班、基础入门班、论文指导班 全面上线!!
Transformer无疑是过去几年内机器学习领域最流行的模型。
自2017年在论文「Attention is All You Need」中提出之后，这个新的网络结构，刷爆了各大翻译任务，同时创造了多项新的记录。
但Transformer在处理长字节序列时有个硬伤，就是算力损耗严重，而Meta的研究人员的最新成果则可以很好地解决这一缺陷。
他们推出了一种全新的模型架构，能跨多种格式生成超过100万个token，并超越GPT-4等模型背后的现有 Transformer架构的功能。
这个模型被称为「兆字节」（Megabyte），是一种多尺度解码器架构（Multi-scale Decoder Architecture），可以对超过一百万字节的序列进行端到端可微分建模。
论文链接：https://arxiv.org/abs/2305.07185
Megabyte为什么比Transformer强，就得先看看Transformer的不足之处在哪。
Transformer的不足
迄今为止几类高性能的生成式AI模型，如OpenAI的GPT-4、Google的Bard，都是基于Transformer架构的模型。
但Meta的研究团队认为，流行的Transformer架构可能正达到其阈值，其中主要理由是Transformer设计中固有的两个重要缺陷：
- 随着输入和输出字节长度的增加，自注意力的成本也迅速增加，如输入的音乐、图像或视频文件通常包含数兆字节，然而大型解码器 (LLM)通常只使用几千个上下文标记
- 前馈网络通过一系列数学运算和转换帮助语言模型理解和处理单词，但在每个位置的基础上难以实现可扩展性,这些网络独立地对字符组或位置进行操作，从而导致大量的计算开销
Megabyte强在哪
相比Transformer，Megabyte模型展示了一种独特的不同架构，将输入和输出序列划分为patch而不是单个token。
如下图，在每个patch中，本地AI模型生成结果，而全局模型管理和协调所有patch的最终输出。
首先，字节序列被分割成固定大小的patch，大致类似于token，这个模型由三部分组成：
(1) patch嵌入器：通过无损地连接每个字节的嵌入来简单地编码patch
(2) 一个全局模型：一个输入和输出patch表示的大型自回归变换器
(3) 一个本地模型：一个预测patch中字节的小型自回归模型
研究人员观察到，对于多数任务而言字节预测都相对容易（如完成给定前几个字符的单词），这意味着每个字节的大型网络是不必要的，并且可以使用更小的模型进行内部预测。
这种方法解决了当今AI模型中普遍存在的可扩展性挑战，Megabyte 模型的patch系统允许单个前馈网络在包含多个token的patch上运行，从而有效解决了自注意力缩放问题。
其中，Megabyte架构对长序列建模的Transformer进行了三项主要改进：
- 二次自注意力（Sub-quadratic self-attention）
大多数关于长序列模型的工作都集中在减轻自注意力的二次成本上，而Megabyte将长序列分解为两个较短的序列，即使对于长序列也仍然易于处理。
- patch前馈层（Per-patch feedforward layers）
在GPT-3大小的模型中，超过98%的FLOPS用于计算位置前馈层，Megabyte每个patch使用大型前馈层，以相同的成本实现更大、性能更强的模型。在patch大小为P的情况下，基线转换器将使用具有m个参数的相同前馈层P次，兆字节可以以相同的成本使用具有mP个参数的层一次。
- 解码中的并行性（Parallelism in Decoding）
Transformers必须在生成期间串行执行所有计算，因为每个时间步的输入是前一个时间步的输出，通过并行生成patch的表示，Megabyte允许在生成过程中实现更大的并行性。
例如，具有1.5B参数的Megabyte模型生成序列的速度比标准的350MTransformer快40%，同时在使用相同的计算量进行训练时还能改善困惑度。
Megabyte远远优于其他模型，并提供与在子词上训练的 sota 模型竞争的结果
相比之下，OpenAI 的GPT-4有32,000个token的限制，而Anthropic的Claude有100,000个token的限制。
此外，在运算效率方面，在固定模型大小和序列长度范围内，Megabyte比同等大小的Transformers和Linear Transformers使用更少的token，允许以相同的计算成本使用更大的模型。
总之，这些改进使我们能够在相同的计算预算下训练更大、性能更好的模型，扩展到非常长的序列，并提高部署期间的生成速度。
未来将会如何
随着AI军备竞赛进行地如火如荼，模型性能越来越强，参数也越来越高。
虽然GPT-3.5在175B个参数上进行了训练，但有人猜测功能更强大的GPT-4在1万亿个参数上进行了训练。
OpenAI的CEO Sam Altman最近也建议转变战略，他表示公司正在考虑舍弃对庞大模型的训练，而专注于其他性能的优化。
他将AI模型的未来等同于iPhone芯片，而大多数消费者对原始技术规格一无所知。
Meta的研究人员相信他们的创新架构来得正是时候，但也承认还有其他优化途径。
例如采用修补技术的更高效的编码器模型、将序列分解为更小块的解码模型以及将序列预处理为压缩token等，并且可以扩展现有Transformer架构的能力以构建新一代模型。
前特斯拉AI总监Andrej Karpathy也在这篇论文中发表了看法，他在推特上写道：
这是非常有希望的，每个人都应该希望我们能在大模型中扔掉标记化，也不需要那些过长字节的序列。
欢迎关注公众号CV技术指南，专注于计算机视觉的技术总结、最新技术跟踪、经典论文解读、CV招聘信息。
【技术文档】《从零搭建pytorch模型教程》122页PDF下载
QQ交流群：470899183。群内有大佬负责解答大家的日常学习、科研、代码问题。
其它文章
YOLO终结者？百度最新RT-DETR：114FPS实现54.8AP，远超YOLOv8！
全新YOLO模型YOLOCS来啦 | 面面俱到地改进YOLOv5的Backbone/Neck/Head
CVPR 2023 | 神经网络超体？新国立LV lab提出全新网络克隆技术
6G显存玩转130亿参数大模型，仅需13行命令，RTX2060用户发来贺电
libtorch教程（一）开发环境搭建：VS+libtorch和Qt+libtorch
NeRF与三维重建专栏（三）nerf_pl源码部分解读与colmap、cuda算子使用
NeRF与三维重建专栏（二）NeRF原文解读与体渲染物理模型
BEV专栏（一）从BEVFormer深入探究BEV流程（上篇）
可见光遥感图像目标检测（三）文字场景检测之Arbitrary
