丰色 发自 凹非寺
量子位 | 公众号 QbitAI
尽管Transformer已经开始在诸多视觉任务上“大展身手”，但还有一个问题。
那就是在处理大图像上计算比较费劲。
比如面对一个1080p的图时，它会有超过60%的计算量都耗费在了创建和应用注意矩阵上。
究其原因，主要是因为自注意力头的数量是token的平方，而token的数量又与图形大小呈二次方的关系。
那能怎么办呢？
好消息是——
现在Meta捣鼓出了一种多头注意力操作方法，可以做到足足比标准注意力快197倍！
而且在提高计算速度的同时，它也不会牺牲准确率，有时甚至还能将准确率提高1-2个点。
具体怎么回事儿？
思路来源一个“矛盾点”
这个方法名叫Hydra Attention，主要针对Vision Transformer。
（“Hydra”有“九头蛇”之义，来自希腊神话。）
Hydra Attention的思路源于线性注意力中的一种有点矛盾的点：
使用标准的多头自注意力，再向模型中添加更多头可以保持计算量不变。
而在线性注意力中改变操作顺序后，增加更多的头实际上还会降低层的计算成本。
于是，作者通过将模型中的注意力头数量设置成特征（feature）数，创建出一个token和feature的计算都是线性的注意力模块，从而把上述特性发挥到极致。
具体来说：
当标准自注意力头是token数的平方（O(T2D)）时，通过使用可分解核（decomposable kernel），我们重新安排操作顺序，让注意力头的数量变为特征D的平方。
然后再使用Hydra Trick，最大化注意力头H的数量，让H=D，最终就可以化为一个在空间和时间上的O（TD）简化操作了。
其中，Hydra Trick的依据见下图：
作者在ImageNet-1k上训练了具有不同头数的DeiT-B模型，包括使用标准自注意力（蓝线，基于softmax）和使用多头线性注意（红线，基于余弦相似性）的。
前者在H>96、后者在H<3时出现内存不足的情况。
当他们往模型中添加更多的头时，Softmax注意力模型的准确性似乎会崩溃，而多头线性注意力仍可以保持一致，因此就有了上述操作。
（需要注意的是，H必须除以D=768。）
速度快197倍，准确率还能更上层楼
来看看Hydra Attention交出的成绩单。
可以看到，Hydra注意力比标准注意力快197倍（T=197）。
随着图像大小的增加，它显著提高了模型的FLOP数，在创建和应用注意力矩阵所占的计算量上也始终只有0.02%。
除此之外，作者发现，使用不同的内核，Hydra Attention还能让模型的准确率提高大约两个百分点。
或者用Hydra Attention替换特定的注意力层，也能将模型的精度在ImageNet上提高1%或者与基线维持不变。
当然，最多可替换8层。
另外，作者表示，这个方法应该可以扩展到NLP领域，不过他们还没试。
作者介绍
这篇成果已入选ECCV 2022 Workshop。
作者一共5位，分别来自Meta AI和佐治亚理工学院。
其中华人3名，分别是：
Cheng-Yang Fu，本硕毕业于清华大学，博士毕业于美国北卡罗来纳大学教堂山分校，现在是Meta计算机视觉方面的研究科学家。
Xiaoliang Dai，本科毕业于北大，博士毕业于普林斯顿大学，同就职于Meta。
Peizhao Zhang，本硕毕业于中山大学，博士于美国德克萨斯A&M大学，已在Meta工作五年。
论文地址：
https://arxiv.org/abs/2209.07484
— 完 —
评论
沙发等你来抢