论文：Lite Transformer with Long-Short Range Attention by Wu, Liu et al.
LSRA特点：两组head，其中一组头部专注于局部上下文建模(通过卷积)，而另一组头部专注于长距离关系建模(通过注意)。
传统的self-attention被认为是有冗余的，经验表明，句子中的本地关系被过于关注了。这可以通过标准卷积更加有效的进行建模。同样的结论在On the Relationship between Self-Attention and Convolutional Layers也有，同时，这个精简可以在某些情况下帮助提升模型的能力，但它不适用于较轻量级的应用。
Long-Short Range Attention (LSRA)通过将输入沿通道维度分成两部分，并将这两个部分分别提供给两个模块，从而提高了计算效率：全局提取器使用标准的自注意力，局部提取器使用轻量级的深度卷积。作者给出了一个2.5×简化的模型的总体计算量，使它适合移动端的配置。在机器翻译、抽象摘要和语言建模任务上有提高。
配合剪枝和量化，模型大小压缩到达了18.2x。
从图上看对比还是非常明显的。
得到输入的embedding后，分为两个分支，一个是attention（在原始的transformer 上，通道维度减少了一半。另一个分支是卷积，通过滑动窗口，对角线组可以很容易地被模块覆盖。最后把两个分支的结果stack后交给FFN。
实验结果
论文用到的量化和剪枝方法分别参考：
1. 量化：
K-means (Han et al., 2016)，
Deep Compression: Compressing Deep Neural Networks with Pruning, Trained Quantization and Huffman Coding.
2. 剪枝：
sensitivity of each layer (Han et al., 2015a)，Learning both weights and connections for efficient neural network.
这两个方法的一作也是本文的作者之一。