Экспоненциально ускоренное моделирование языка

Exponentially Faster Language Modelling

November 15, 2023

Авторы: Peter Belcak, Roger Wattenhofer

cs.AI

Аннотация

Языковым моделям действительно требуется использовать лишь экспоненциально малую долю своих нейронов для отдельных выводов. В качестве доказательства мы представляем FastBERT — вариант модели BERT, который использует 0,3% своих нейронов во время вывода, при этом демонстрируя производительность на уровне аналогичных моделей BERT. FastBERT избирательно задействует всего 12 из 4095 нейронов для каждого вывода на уровне. Это достигается за счет замены полносвязных сетей на быстрые полносвязные сети (FFFs). Хотя в настоящее время не существует действительно эффективной реализации, способной раскрыть весь потенциал ускорения условного выполнения нейронных сетей, мы предоставляем высокоуровневый код для CPU, достигающий 78-кратного ускорения по сравнению с оптимизированной базовой реализацией полносвязных сетей, а также реализацию на PyTorch, обеспечивающую 40-кратное ускорение по сравнению с эквивалентным пакетным выводом полносвязных сетей. Мы публикуем наш код для обучения, настройку бенчмаркинга и веса модели.

English

Language models only really need to use an exponential fraction of their neurons for individual inferences. As proof, we present FastBERT, a BERT variant that uses 0.3\% of its neurons during inference while performing on par with similar BERT models. FastBERT selectively engages just 12 out of 4095 neurons for each layer inference. This is achieved by replacing feedforward networks with fast feedforward networks (FFFs). While no truly efficient implementation currently exists to unlock the full acceleration potential of conditional neural execution, we provide high-level CPU code achieving 78x speedup over the optimized baseline feedforward implementation, and a PyTorch implementation delivering 40x speedup over the equivalent batched feedforward inference. We publish our training code, benchmarking setup, and model weights.