Transformers 改变了人工智能，在 NLP、计算机视觉和多模式数据集成方面提供了无与伦比的性能。这些模型擅长通过注意力机制识别数据中的模式，使其成为复杂任务的理想选择。然而，由于传统结构的计算成本较高，变压器模型的快速扩展需要改进。
Transformers 彻底改变了人工智能，在自然语言处理 (NLP)、计算机视觉和多模式数据集成方面提供了无与伦比的性能。这些模型擅长通过注意力机制识别数据中的模式，使其成为复杂任务的理想选择。然而，由于传统结构的计算成本较高，变压器模型的快速扩展需要改进。随着这些模型的增长，它们需要大量的硬件资源和训练时间，并且随着模型大小的增加呈指数级增长。
缩放变压器的主要障碍在于其线性投影层内的固定参数。这种静态结构限制了模型在不完全重新训练的情况下扩展的能力，随着模型大小的增加，这种能力会呈指数级增长。当架构发生修改时，例如增加通道尺寸，这些传统模型通常需要全面的重新训练。
因此，这些扩展的计算成本变得非常高，而且该方法缺乏灵活性。无法动态添加新参数会抑制增长，使这些模型不太适应不断发展的人工智能应用程序，并且在时间和资源方面成本更高。
从历史上看，管理模型可扩展性的方法包括使用 Net2Net 等方法复制权重或重构模型，其中复制神经元扩展层。然而，这些方法通常会破坏预训练模型的平衡，导致收敛速度变慢并增加训练复杂性。
虽然这些方法取得了渐进的进展，但它们在扩展过程中保持模型完整性方面仍然面临限制。 Transformer 严重依赖静态线性投影，导致参数扩展成本高昂且不灵活。 GPT 和其他大型 Transformer 等传统模型经常从头开始重新训练，每个新的扩展阶段都会产生高昂的计算成本。
现在，马克斯普朗克研究所、谷歌和北京大学的研究人员开发了一种名为 Tokenformer 的新架构，通过将模型参数视为令牌，从根本上重新构想了 Transformer，从而允许令牌和参数之间进行动态交互。
在这个框架中，Tokenformer 引入了一个称为令牌参数注意（Pattention）层的新颖组件，它有助于增量扩展。该模型可以添加新的参数标记而无需重新训练，大大降低了训练成本。
通过在同一框架内表示输入令牌和参数，Tokenformer 可以灵活扩展，为研究人员提供更高效、资源意识更强的模型架构，同时保持可扩展性和高性能。
Tokenformer 的 Pattention 层使用输入 token 作为查询，而模型参数作为键和值，这与标准 Transformer 方法不同，仅依赖于线性投影。
模型的扩展是通过添加新的键值参数对、保持输入和输出维度不变并避免完全重新训练来实现的。 Tokenformer 的架构设计为模块化，使研究人员能够通过合并额外的代币来无缝扩展模型。
这种增量扩展功能支持预训练权重的有效重用，同时能够快速适应新数据集或更大的模型大小，而不会破坏学习的信息。
Tokenformer 的性能优势非常显着，因为该模型在保持准确性的同时显着降低了计算成本。例如，Tokenformer 将参数从 1.24 亿扩展到 14 亿，而训练成本仅为传统 Transformer 所需的一半。
在一项实验中，该模型针对 14 亿个参数配置实现了 11.77 的测试困惑度，几乎与从头开始训练的类似大小的 Transformer 的 11.63 困惑度相匹配。
这种效率意味着 Tokenformer 可以在多个领域实现高性能，包括语言和视觉建模任务，而资源支出只是传统模型的一小部分。
Tokenformer 提出了许多关于推进人工智能研究和改进基于 Transformer 的模型的关键要点。其中包括：
将参数视为令牌可以实现增量模型扩展，而无需重新训练。
令牌参数注意层有助于高效的参数扩展。
模块化架构通过合并额外的代币来支持无缝模型增长。
该模型以最少的资源消耗在不同领域实现了高性能。
总之，Tokenformer 提供了一种变革性方法来扩展基于 Transformer 的模型。该模型架构通过将参数视为令牌、降低成本并保持跨任务的模型性能来实现可扩展性和资源效率。
这种灵活性代表了变压器设计的突破，提供了一种无需重新训练即可适应先进人工智能应用需求的模型。 Tokenformer 的架构为未来的人工智能研究带来了希望，提供了可持续、高效地开发大规模模型的途径。
查看 HuggingFace 上的论文、GitHub 页面和模型。
这项研究的所有功劳都归功于该项目的研究人员。另外，不要忘记在 Twitter 上关注我们并加入我们的 Telegram 频道和 LinkedIn 群组。如果您喜欢我们的工作，您一定会喜欢我们的时事通讯。不要忘记加入我们的 55k ML SubReddit。
[我们的赞助机会]与 100 万每月读者和 50 万社区成员推广您的研究/产品/网络研讨会
以上是Tokenformer：通过将参数视为令牌来重新思考 Transformer的详细内容。更多信息请关注PHP中文网其他相关文章！
