傅里叶变换取代Transformer自注意力层，谷歌这项研究GPU上快7倍、TPU上快2倍

第一时间获取价值内容

来自：机器之心

来自谷歌的研究团队表明，将傅里叶变换取代 transformer 自监督子层，可以在 GLUE 基准测试中实现 92% 的准确率，在 GPU 上的训练时间快 7 倍，在 TPU 上的训练时间快 2 倍。

Transformer 自 2017 年推出以来，其架构就开始在 NLP 领域占据主导地位。Transformer 应用的唯一限制之一，即 Transformer 关键组件的巨大计算开销–一种自注意力机制，这种机制可以根据序列长度以二次复杂度进行扩展。

基于此，来自谷歌的研究者建议用简单的线性变换替代自注意力子层，该线性变换「混合」输入 token，以较小的准确率成本损失显著的提高了 transformer 编码器速度。更令人惊讶的是，研究者发现采用标准的、非参数化的傅里叶变换替代自注意力子层，可以在 GLUE 基准测试中实现 92% 的 BERT 准确率，在 GPU 上的训练时间快 7 倍，在 TPU 上的训练时间快 2 倍。

论文链接：https://arxiv.org/pdf/2105.03824.pdf

该研究的主要贡献包括：

• 通过用标准的非参数化傅里叶变换代替注意力子层，FNet 在 GLUE 基准测试中实现 92% 的 BERT 准确率，在 GPU 上的训练时间快 7 倍，在 TPU 上的训练时间快 2 倍。

• 仅包含两个自注意子层的 FNet 混合模型在 GLUE 基准上可达到 97％的 BERT 准确率，但在 GPU 上的训练速度快近 6 倍，而在 TPU 上则是 2 倍。

• FNet 在「Long Range Arena」基准评估中，与所有的高效 transformer 具有竞争力，同时在所有序列长度上拥有更少的内存占用。

 FNet 架构

Transformer 自注意力机制使得输入可以用高阶单元表示，从而可以灵活地捕获自然语言中各种语法和语义关系。长期以来，研究人员一直认为，与 Transformer 相关的高复杂性和内存占用量是不可避免的提高性能的折衷方案。但是在本论文中，Google 团队用 FNet 挑战了这一思想，FNet 是一种新颖的模型，在速度、内存占用量和准确率之间取得了很好的平衡。

FNet 架构。

FNet 是具有多个层的层归一化 ResNet 体系结构，每个层都由一个傅里叶混合子层和一个前馈子层组成。研究者将每个 transformer 编码器层的自注意力子层替换为傅里叶变换子层，该子层将 2D 傅里叶变换应用于其（序列长度、隐藏维度）嵌入输入 - 沿着序列维度

和隐藏维度

进行一维傅立叶变换。

所得结果是一个复数，可以将其写成实数乘以虚数单位（数学中的数字 i，从而可以求解没有实数解的方程式）。最后仅保留实数，无需修改（非线性）前馈子层或输出层以处理复数。

实验

在评估中，研究者比较了多个模型，包括 BERT-Base、FNet 编码器（用傅里叶子层替换每个自注意力子层）、线性编码器（用线性子层替换每个自注意力子层）、随机编码器（ 用常数随机矩阵替换每个自注意力子层）、仅前馈编码器（从 Transformer 层中删除自注意力子层）。

由下表 3 可得，尽管线性模型和 FNet 训练的精确率略低，但它们明显快于 BERT——在 TPU 上大约快 2 倍，在 GPU 上大约快 7 倍。

下表 4 的 GLUE 验证分组中展示了最佳基础学习率的结果：

下图 2 和图 3 显示了 GPU（8 个 V100 芯片）和 TPU（4×4 TPU v3 芯片）预训练的速度与 MLM 准确率曲线。

研究者还利用 Tay 等人代码库，并在相同的硬件（4 × 4 TPU v3 芯片）上进行实验。为了确保实验的公平性，他们还展示了 Long-Range Arena 实验结果。

在下表 7 和表 8 中，研究者还提供了在 TPU（4×4 TPU v3 芯片）和 GPU（8 V100 芯片）上进行实验的可比指标。研究者在序列长度 {512，1024，2048，4096，8192，16386} 上执行网格搜索，而不仅仅是{1K，2K，3K，4K}。此外，该研究还包括 Performer 的结果（Choromanski 等人，2020b）。在比较模型效率时，研究者将 Performer 用作衡量标准。

欢迎关注我们，收获资源干货！