DiJiang: Effiziente große Sprachmodelle durch kompakte Kernelisierung

DiJiang: Efficient Large Language Models through Compact Kernelization

March 29, 2024

Autoren: Hanting Chen, Zhicheng Liu, Xutao Wang, Yuchuan Tian, Yunhe Wang

cs.AI

Zusammenfassung

In einem Versuch, die Rechenlast von Transformatoren zu reduzieren, hat die Forschung zu linearer Aufmerksamkeit deutlichen Auftrieb erhalten. Die Verbesserungsstrategien für Aufmerksamkeitsmechanismen erfordern in der Regel jedoch umfangreiches erneutes Training, was für große Sprachmodelle mit einer Vielzahl von Parametern unpraktisch ist. In diesem Papier präsentieren wir DiJiang, einen neuartigen Ansatz zur Frequenzbereichs-Kernelisierung, der die Umwandlung eines vorab trainierten Standard-Transformators in ein Modell mit linearer Komplexität mit geringen Trainingskosten ermöglicht. Durch die Verwendung einer gewichteten Quasi-Monte-Carlo-Methode für die Stichprobenahme bietet der vorgeschlagene Ansatz theoretisch eine überlegene Approximationseffizienz. Um die Trainingsrechenkomplexität weiter zu reduzieren, basiert unsere Kernelisierung auf Diskreten Cosinus-Transformations (DCT)-Operationen. Umfangreiche Experimente zeigen, dass die vorgeschlagene Methode vergleichbare Leistungen wie der originale Transformer erzielt, jedoch mit deutlich reduzierten Trainingskosten und wesentlich schnelleren Inferenzgeschwindigkeiten. Unser DiJiang-7B erreicht vergleichbare Leistungen wie LLaMA2-7B auf verschiedenen Benchmark-Tests, erfordert jedoch nur etwa 1/50 der Trainingskosten. Der Code ist unter https://github.com/YuchuanTian/DiJiang verfügbar.

English

In an effort to reduce the computational load of Transformers, research on linear attention has gained significant momentum. However, the improvement strategies for attention mechanisms typically necessitate extensive retraining, which is impractical for large language models with a vast array of parameters. In this paper, we present DiJiang, a novel Frequency Domain Kernelization approach that enables the transformation of a pre-trained vanilla Transformer into a linear complexity model with little training costs. By employing a weighted Quasi-Monte Carlo method for sampling, the proposed approach theoretically offers superior approximation efficiency. To further reduce the training computational complexity, our kernelization is based on Discrete Cosine Transform (DCT) operations. Extensive experiments demonstrate that the proposed method achieves comparable performance to the original Transformer, but with significantly reduced training costs and much faster inference speeds. Our DiJiang-7B achieves comparable performance with LLaMA2-7B on various benchmark while requires only about 1/50 training cost. Code is available at https://github.com/YuchuanTian/DiJiang.