今天小编分享的科学经验：Transformer后继有模！MSRA提出全新大模型基础架构：推理速度8倍提升，内存占用减少70%，欢迎阅读。
微软大模型新架构，正式向Transformer发起挑战！
论文标题明晃晃地写道：
Retentive Network（RetNet）：大模型领網域 Transformer 的继任者。
论文提出新的 Retention 机制来代替 Attention。来自微软亚研院和清华的研究人员，毫不讳言 " 野心 "，大胆放话：
RetNet 实现了良好的扩展结果、并行训练、低成本部署和高效推理。
这些特性使这一基础架构，成为大语言模型中 Transformer 的有力继承者。
而实验数据也显示，在语言建模任务上：
RetNet 可以达到与 Transformer 相当的困惑度（perplexity）
推理速度达 8.4 倍
内存占用减少 70%
具有良好的扩展性
并且当模型大小大于一定规模时，RetNet 表现会优于 Transformer。
Transformer 果真 " 后继有模 " 了？具体详情，一起来看。
解决 " 不可能三角 "
Transformer 在大语言模型中的重要性毋庸置疑。无论是 OpenAI 的 GPT 系列，还是谷歌的 PaLM、Meta 的 LLaMA，都是基于 Transformer 打造。
但 Transformer 也并非完美无缺：其并行处理机制是以低效推理为代价的，每个步骤的复杂度为 O ( N ) ；Transformer 是内存密集型模型，序列越长，占用的内存越多。
在此之前，大家也不是没想过继续改进 Transformer。但主要的几种研究方向都有些顾此失彼：
线性 attention 可以降低推理成本，但性能较差；
循环神经网络则无法进行并行训练。
也就是说，这些神经网络架构面前摆着一个 " 不可能三角 "，三个角代表的分别是：并行训练、低成本推理和良好的扩展性能。
RetNet 的研究人员想做的，就是化不可能为可能。
具体而言，RetNet 在 Transformer 的基础上，使用多尺度保持（retention）机制替代了标准的自注意力机制。
与标准自注意力机制相比，保持机制有几大特点：
引入位置相关的指数衰减项取代 softmax，简化了计算，同时使前步的信息以衰减的形式保留下来。
引入复数空间表达位置信息，取代绝对或相对位置编码，容易转换为递归形式。
另外，保持机制使用多尺度的衰减率，增加了模型的表达能力，并利用 GroupNorm 的缩放不变性来提高 retention 层的数值精度。
△RetNet 的双重表示
每个 RetNet 块包含两个模块：多尺度保持（MSR）模块和前馈网络（FFN）模块。
保持机制支持以三种形式表示序列：
并行
递归
分块递归，即并行表示和递归表示的混合形式，将输入序列划分为块，在块内按照并行表示进行计算，在块间遵循递归表示。
其中，并行表示使 RetNet 可以像 Transformer 一样高效地利用 GPU 进行并行训练。
递归表示实现了 O ( 1 ) 的推理复杂度，降低了内存占用和延迟。
分块递归则可以更高效地处理长序列。
这样一来，RetNet 就使得 " 不可能三角 " 成为可能。以下为 RetNet 与其他基础架构的对比结果：
在语言建模任务上的实验结果，进一步证明了 RetNet 的有效性。
结果显示，RetNet 可以达到与 Transformer 相似的困惑度（PPL，评价语言模型好坏的指标，越小越好）。
同时，在模型参数为 70 亿、输入序列长度为 8k 的情况下，RetNet 的推理速度能达到 Transformer 的8.4 倍，内存占用减少 70%。
在训练过程中，RetNet 在内存节省和加速效果方面，也比标准 Transformer+FlashAttention 表现更好，分别达到25-50%和7 倍。
值得一提的是，RetNet 的推理成本与序列长度无关，推理延迟对批量大小不敏感，允许高吞吐量。
另外，当模型参数规模大于 20 亿时，RetNet 的表现会优于 Transformer。
研究团队
RetNet 的研究团队，来自微软亚研院和清华大学。
共同一作为孙宇涛和董力。
孙宇涛，清华大学计算机系本科，现在在微软亚研院实习。
董力，微软亚研院研究员。他也是此前引发大量关注的 " 能记住 10 亿 token 的 Transformer" 的论文作者之一。
RetNet 论文的通讯作者是韦福如。他是微软亚洲研究院全球研究合伙人，10 亿 token Transformer 亦是来自他的研究团队。
论文地址：
https://arxiv.org/abs/2307.08621
