LLM - 大语言模型的自注意力(Self-Attention)机制基础概述

news/2024/7/27 2:43:23/文章来源:https://blog.csdn.net/u012515223/article/details/136623432

欢迎关注我的CSDN：https://spike.blog.csdn.net/
本文地址：https://blog.csdn.net/caroline_wendy/article/details/136623432

Attention

注意力(Attention)机制是大型语言模型中的一个重要组成部分，帮助模型决定在处理信息时，所应该关注的部分。在自然语言处理中，一个序列由一系列的元素组成。注意力机制通过为序列中的每个元素分配一个权重来工作，这个权重反映了每个元素对于任务的重要性。模型会更加关注权重高的元素。自注意力(Self-Attention)是一种特殊的注意力机制，不是将输入序列与输出序列关联起来，而是关注序列内部元素之间的关系。

1. Transformer

Transformer

Transformer是一种重要的神经网络架构，在2017年由Google的研究者在论文“Attention Is All You Need”中提出。这个架构特别适用于处理序列数据，能够捕捉到输入数据中长距离的依赖关系。Transformer的核心是自注意力(Self-Attention)机制，这使得模型能够在序列中的任何位置关注到其他位置的信息，从而更好地理解文本的上下文。

Transformer架构主要由两部分组成，即编码器(Encoder)和解码器(Decoder)。每个部分都包含多个相同的层，每层都有自注意力和前馈神经网络。Transformer模型的一个关键创新是位置编码(Positional Encoding)，给模型提供了单词在序列中位置的信息。由于模型本身不像RNN那样逐个处理序列，位置编码对于保持序列的顺序信息至关重要。

编码器负责处理输入序列，每个编码器层都包含2个子层：

多头自注意力机制(Multi-Head Self-Attention)：允许模型同时关注序列中的不同位置，这有助于捕捉文本中的多种关系。
前馈神经网络(Feed-Forward Neural Network)：对于自注意力层的输出进行进一步的处理。

解码器负责生成输出序列，每个解码器层除了包含编码器层中的2个子层外，还增加了1个子层：

编码器-解码器注意力机制(Encoder-Decoder Attention)：交叉注意力，允许解码器关注编码器的输出，这有助于解码器在生成序列时利用输入序列的信息。

Transformer架构的这些特点使其在NLP领域取得了巨大的成功，不仅在机器翻译等任务中取得了突破性的表现，而且还催生了BERT、GPT等一系列强大的后续模型。

Transformer

2. GPT

GPT

在GPT模型中，位置编码是一个关键部分，为输入序列的每个位置添加额外的信息。位置编码的目的是向模型提供每个词在句子中的相对位置信息，因为Transformer的自注意力机制并不关心词的顺序。在GPT模型中，位置编码通过将正弦和余弦函数应用于输入序列的每个位置来实现。

具体来说，GPT中的位置编码采用了三角式位置编码，这种编码方式在计算注意力分数时直接考虑两个Token之间的相对位置。这种编码方式利用了三角恒等变换公式，将位置T对应的位置向量 $PE_{t+k}$ 分解为一个与相对距离k有关的矩阵 $R_k$ 和 $PE_t$ 的乘积：

这样的性质使得三角式位置编码在处理相对位置信息时非常有效。请注意，这里的位置编码是相对位置编码，与绝对位置编码不同，不需要学习可学习的位置向量，而是直接利用了位置之间的相对关系。GPT中的位置编码通过三角函数的方式将相对位置信息融入到模型中，帮助模型更好地理解输入序列的顺序和结构。

GPT

3. LLaMA

LLaMA

LLaMA 中的旋转式位置编码(RoPE) 是专门为 Transformer 架构设计的嵌入方法，将相对位置信息集成到 self-attention 中并提升模型性能，比较一下 RoPE 和 Transformer 中的绝对位置编码（Positional Encodings）：

基本概念：
- RoPE 是能够将相对位置信息，依赖集成到 self-attention 中的位置编码方式。
- Transformer 中的位置编码，主要是为了捕捉输入序列中元素的绝对位置信息。
计算方式：
- RoPE 通过定义一个函数 g 来表示 query 向量 qm 和 key 向量 kn 之间的内积操作，该函数的输入是词嵌入向量 xm 和 xn ，以及之间的相对位置 m - n。
- Transformer 中的绝对位置编码则是在计算 query、key 和 value 向量之前，将一个位置编码向量 pi 加到词嵌入向量 xi 上，然后再乘以对应的变换矩阵 W。
位置编码向量：
- RoPE 中的位置编码向量的计算方式与复数相关，利用欧拉公式来表示实部和虚部。
- Transformer 中的位置编码向量通常采用经典的方式，如 sin 和 cos 函数。
外推性：
- RoPE 具有更好的外推性，即在训练和预测时输入长度不一致时，模型的泛化能力更强。

总之，RoPE 在处理相对位置信息方面具有优势，而 Transformer 的绝对位置编码则更关注捕捉绝对位置信息。

LLaMA

4. Attention优化

Attention

ReFormer 是一种高效的 Transformer 架构，专为处理长序列建模而设计。结合了两个关键技术，以解决 Transformer 在长上下文窗口应用中的注意力和内存分配问题。其中之一就是局部敏感哈希（LSH），用于降低对长序列的注意力计算复杂度。ReFormer 中的局部敏感哈希加速原理：

ReFormer 自注意层：
- ReFormer 使用两种特殊的自注意层：局部自注意层和局部敏感哈希自注意层。
- 局部自注意层：这一层允许模型只关注输入序列中的局部区域，而不是整个序列。这有助于减少计算复杂度。
- 局部敏感哈希自注意层：这是 ReFormer 的创新之处。使用局部敏感哈希技术，将输入序列划分为不同的桶，每个桶包含一组相似的位置。然后，模型只需关注同一桶内的位置，从而减少了计算量。
可逆残差层：
- ReFormer 还使用了可逆残差层，以更高效地利用可用内存。
- 可逆残差层允许在训练过程中显著减少内存消耗。通过巧妙的残差架构实现。

总之，ReFormer 利用局部敏感哈希技术和可逆残差层，使得模型能够处理长达数十万标记的序列，而不会过度消耗内存，成为长序列建模的一种强大工具。

ReFormer

5. FlashAttention

FlashAttention是用于Transformer模型的加速算法，降低注意力机制的计算复杂度和显存占用，通过优化 Softmax 计算和减少显存访问次数，来实现快速且节省内存的精确注意力计算。传统的 Softmax 计算，需要减去 Score 矩阵中的最大值，然后，进行指数运算和归一化，这会增加计算量。在FlashAttention中的增量Softmax计算避免了减去最大值这一步骤，而是在局部块中进行弥补计算，这样可以减少计算量。其中，FlashAttention算法有两个循环：外部循环j和内部循环i。在外部循环中，对K和V矩阵进行分块计算。在内部循环中，对于Q矩阵进行分块计算。