作者 | python, ZenMogre
Transformer处理长序列时较为吃力。因为global attention的存在，模型的时间复杂度是序列长度的2次方级。为了建模更长的上下文，人们也提出了各种稀疏注意力机制。而这次，微软卷到家了，提出了LongNet网络，可以将Transformers的上下文范围（几乎）无限扩充，并给出了序列长度达到10亿的实验数据。让我们来看看吧。
论文题目:
LONGNET: Scaling Transformers to 1,000,000,000 Tokens
论文链接:
https://arxiv.org/pdf/2307.02486.pdf
项目地址:
https://aka.ms/LongNet
LongNet注意力结构
LongNet网络和标准Transformer差别不大，主要提出提出了一种名为dilated attention的注意力模式。如下图所示，其实和稀疏注意力模式很像，但借鉴了线段树的思想。整体而言，随着节点相对距离的增加节点之间的交互对数级地较小，以此来实现时间复杂度随输入序列长度线性增加。
例如，如上图所示，结构可以类别一颗以4叉树为基础的线段树。在段长为4，扩展率为1的部分（蓝色），距离为4以内的点直接计算注意力；加上在段长为16，扩展率为4的部分（蓝色+橙色），节点之间最多通过2次注意力机制（绿色+蓝色）。这样算来，BERT-base 12层的网络，允许2^24=16M的上下文进行交互。
大模型研究测试传送门
GPT-4能力研究传送门（遇浏览器警告点高级/继续访问即可）：
https://gpt4test.com
多卡分布式计算
对于大规模语言模型等transformers的应用场景，因为模型参数量很大，多卡分布式计算必不可少。而LongNet允许更长的上下文范围，也会带来显存使用量的提升。下图是多卡分布式计算的方式的示意图。以2卡为例，可以将输入序列截断为2部分，2块显卡分别计算注意力机制的Q、K、V向量，与Segment Length比较小的部分的注意力机制（深蓝、浅蓝部分）。然后，汇聚计算结果，计算Segment Length比较大的部分的注意力交互（灰色）。因为Segment Length比较大时，Dilated rate也较大，注意力较为稀疏，因此可以单卡计算。
实验结果
十亿序列长度的时间消耗
下图对比的前馈网络的时间消耗。可以看到，标准transformers的随着序列长度增加，时间消耗2次方增长（橙色），而基于Diated attention的网络结构时间消耗随输入序列长度线性增加（蓝色）。
语言模型建模能力
实验基于base-size的MAGNETO[1]结构（12层、12头、768隐层维度）和XPOS[2]相对位置编码。采用Stack数据集[3]，一个源代码数据集。采用tiktoken分词器[4]，训练了300K个steps，并采用FlashAttention[5]优化方式。
LongNet采用的segment lengths范围为{2048,4096,8192,16384,32768}，对应到dilated ratios为{1,2,4,6,12}。
从下面两张图中可以看到，LongNet的PPL分数明显低于抱住Transformer。在相同建模序列长度中，LongNet表现均优于Sparse Transformer。相对于标准Transformer而言，LongNet可以用更小的计算量，建模更长的上下文范围，取得更好的表现。
构建大语言模型的潜力
如下图左所示，增加模型参数从1.2亿到27亿，随着LongNet的计算量增加，在测试集上的PPL也随之降低。这体现出，LongNet同样满足scaling law。训练更大的语言模型可能能取得更好的表现。
之前的工作曾指出，大语言模型无法超越监督学习任务，经常是因为上下文建模长度有限，in context learning只能支撑小样本学习。而如下图右所示，在语言模型任务上，以上文作为prompt。随着上下文长度的增加，prompt的长度边长，LongNet在语言模型能够取得更好的表现。说明LongNet的注意力机制能够利用较远的上下文信息，展现未来prompt learning上的潜力。
总结
本文引入了LongNet，可以以较低的成本引入更长的上下文范围。虽然没有直接在大语言模型（LLM）上做尝试，但也展现了令人瞩目的潜力。更长的上下文范围也意味着prompt tuning可能将迎来全监督学习年代。具体未来会如何呢？让我们拭目以待。
参考资料
[1] Hongyu Wang, Shuming Ma, Shaohan Huang, Li Dong, Wenhui Wang, Zhiliang Peng, Yu Wu, Payal Bajaj, Saksham Singhal, Alon Benhaim, Barun Patra, Zhun Liu, Vishrav Chaudhary, Xia Song, and Furu Wei. Foundation transformers. CoRR, abs/2210.06423, 2022.[2] Yutao Sun, Li Dong, Barun Patra, Shuming Ma, Shaohan Huang, Alon Benhaim, Vishrav Chaudhary, Xia Song, and Furu Wei. A length-extrapolatable transformer. CoRR, abs/2212.10554, 2022.
[3] Denis Kocetkov, Raymond Li, Loubna Ben Allal, Jia Li, Chenghao Mou, Carlos Muñoz Ferrandis, Yacine Jernite, Margaret Mitchell, Sean Hughes, Thomas Wolf, Dzmitry Bahdanau, Leandro von Werra, and Harm de Vries. The stack: 3 TB of permissively licensed source code. CoRR, abs/2211.15533, 2022.
[4] https://github.com/openai/tiktoken
[5] https://github.com/HazyResearch/flash-attention/tree/main
大模型AI全栈手册
行业首份AI全栈手册开放下载啦！！
长达3000页，涵盖大语言模型技术发展、AIGC技术最新动向和应用、深度学习技术等AI方向。微信公众号关注“夕小瑶科技说”，回复“789”下载资料
![[图片]](https://img-blog.csdnimg.cn/dd8812ed0c7b414880fe1a79e6db956e.png)