谷歌推出 AI 架构 Transformer 新方法：突破长文本处理，

经济观察报 周信/文 这是近两三年汽车消费整体不振的氛围里，少有的被特别关注的一次“金九银十”。9月26日，距离“十一”仅有四天，大部分汽车行业的从业者没有因为即将来临的假期而感到放松，反而是愈发紧张了。徐霖是武汉一家广汽丰田汽车经销商的销售总监，整个9月份他都在忙碌，他也一扫以前的焦虑，不再提起降本增效...

IT之家 10 月 9 日消息，科技媒体 marktechpost 昨日（10 月 8 日）发布博文，报道称谷歌公司推出了选择性注意力（Selective Attention）方法，可以提高 Tran ormer 架构模型的性能。

Tran ormer 是一种革命性的神经网络架构，由谷歌在 2017 年提出，主要用于处理序列数据，特别是在自然语言处理（NLP）领域。

Tran ormer 的核心是自注意力机制，允许模型在处理输入序列时捕捉词与词之间的关系，让模型能够关注输入序列中的所有部分，而不仅仅是局部信息。

Tran ormer 由多个编码器和解码器组成。编码器负责理解输入数据，而解码器则生成输出。多头自注意力机制使模型能够并行处理信息，提高了效率和准确性。

Tran ormer 架构的一大挑战是它们在处理长文本序列时效率低下，由于每个标记与序列中的每个其他标记都相互作用导致二次复杂度，这就导致随着上下文长度的增加，计算和内存需求呈指数增长。

现在 这一问题的方法包括稀疏注意力机制（s rse tention mechanis ），它限制了标记之间的交互数量，以及通过总结过去信息来减少序列长度的上下文压缩技术。

不过这种方法是通过减少在注意力机制中考虑的标记数量达成的，因此通常以性能为代价，可能会导致上下文关键信息丢失。

谷歌研究的研究人员提出了一种名为选择性注意的新方法，可以动态忽略不再相关的标记，从而提高 Tran ormer 模型的效率。

选择性注意力使用软掩码矩阵来确定每个标记对未来标记的重要性，减少对不重要标记的关注。

研究表明，配备选择性注意的 Tran ormer 架构模型在多个自然语言处理任务中表现出色，同时显著降低了内存使用和计算成本。

例如，在拥有 1 亿参数的 Tran ormer 模型中，注意力模块的内存需求在上下文大小为 512、1024 和 2048 个 tokens 时分别减少至 1/16、1/25 和 1/47。所提方法在 HellaSwag 基准 中也优于传统 Tran ormer，对于较大的模型规模实现了高达 5% 的准确率提升。

选择性注意力允许构建更小、更 的模型，在不损害准确性的情况下，显著减少内存需求。

IT之家附上参考地址