DiJiang: Modelli Linguistici di Grande Scala Efficienti tramite Kernelizzazione Compatta

DiJiang: Efficient Large Language Models through Compact Kernelization

March 29, 2024

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

cs.AI

Abstract

Nel tentativo di ridurre il carico computazionale dei Transformer, la ricerca sull'attenzione lineare ha guadagnato un significativo slancio. Tuttavia, le strategie di miglioramento per i meccanismi di attenzione richiedono tipicamente un ampio riaddestramento, il che è impraticabile per i grandi modelli linguistici con un vasto numero di parametri. In questo articolo, presentiamo DiJiang, un innovativo approccio di Kernelizzazione nel Dominio della Frequenza che consente la trasformazione di un Transformer pre-addestrato in un modello a complessità lineare con costi di addestramento minimi. Utilizzando un metodo di campionamento Quasi-Monte Carlo ponderato, l'approccio proposto offre teoricamente una superiore efficienza di approssimazione. Per ridurre ulteriormente la complessità computazionale dell'addestramento, la nostra kernelizzazione si basa su operazioni di Trasformata Discreta del Coseno (DCT). Esperimenti estensivi dimostrano che il metodo proposto raggiunge prestazioni comparabili al Transformer originale, ma con costi di addestramento significativamente ridotti e velocità di inferenza molto più elevate. Il nostro DiJiang-7B ottiene prestazioni comparabili a LLaMA2-7B su vari benchmark, richiedendo solo circa 1/50 del costo di addestramento. Il codice è disponibile all'indirizzo https://github.com/YuchuanTian/DiJiang.

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.