DiJiang: Эффективные большие языковые модели через компактную ядерную трансформацию

DiJiang: Efficient Large Language Models through Compact Kernelization

March 29, 2024

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

cs.AI

Аннотация

В попытке снизить вычислительную нагрузку Трансформеров, исследования в области линейного внимания набирают значительный оборот. Однако стратегии улучшения механизмов внимания обычно требуют обширной переобучения, что непрактично для больших языковых моделей с огромным количеством параметров. В данной статье мы представляем DiJiang, новый подход к ядерной кернелизации в частотной области, который позволяет преобразовать предварительно обученный обычный Трансформер в модель с линейной сложностью с небольшими затратами на обучение. Используя взвешенный метод квази-Монте-Карло для выборки, предложенный подход теоретически обеспечивает более эффективное приближение. Для дальнейшего снижения вычислительной сложности обучения наша кернелизация основана на операциях дискретного косинусного преобразования (DCT). Обширные эксперименты показывают, что предложенный метод достигает сопоставимой производительности с оригинальным Трансформером, но с значительно сниженными затратами на обучение и гораздо более быстрыми скоростями вывода. Наш DiJiang-7B достигает сопоставимой производительности с LLaMA2-7B на различных бенчмарках, требуя при этом лишь около 1/50 затрат на обучение. Код доступен по ссылке 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.