尽管 Transformer 已经开始在诸多视觉任务上“大展身手”，但还有一个问题。
那就是在处理大图像上计算比较费劲。
比如面对一个 1080p 的图时，它会有超过 60% 的计算量都耗费在了创建和应用注意矩阵上。
究其原因，主要是因为自注意力头的数量是 token 的平方，而 token 的数量又与图形大小呈二次方的关系。
那能怎么办呢？
好消息是 ——
现在 Meta 捣鼓出了一种多头注意力操作方法，可以做到足足比标准注意力快 197 倍！
而且在提高计算速度的同时，它也不会牺牲准确率，有时甚至还能将准确率提高 1-2 个点。
具体怎么回事儿？
这个方法名叫Hydra Attention，主要针对 Vision Transformer。
（“Hydra”有“九头蛇”之义，来自希腊神话。）
Hydra Attention 的思路源于线性注意力中的一种有点矛盾的点：
使用标准的多头自注意力，再向模型中添加更多头可以保持计算量不变。
而在线性注意力中改变操作顺序后，增加更多的头实际上还会降低层的计算成本。
于是，作者通过将模型中的注意力头数量设置成特征（feature）数，创建出一个 token 和 feature 的计算都是线性的注意力模块，从而把上述特性发挥到极致。
具体来说：
当标准自注意力头是 token 数的平方（O (T2D)）时，通过使用可分解核（decomposable kernel），我们重新安排操作顺序，让注意力头的数量变为特征 D 的平方。
然后再使用 Hydra Trick，最大化注意力头 H 的数量，让 H=D，最终就可以化为一个在空间和时间上的 O（TD）简化操作了。
其中，Hydra Trick 的依据见下图：
作者在 ImageNet-1k 上训练了具有不同头数的 DeiT-B 模型，包括使用标准自注意力（蓝线，基于 softmax）和使用多头线性注意（红线，基于余弦相似性）的。
前者在 H>96、后者在 H<3 时出现内存不足的情况。
当他们往模型中添加更多的头时，Softmax 注意力模型的准确性似乎会崩溃，而多头线性注意力仍可以保持一致，因此就有了上述操作。
（需要注意的是，H 必须除以 D=768。）
来看看 Hydra Attention 交出的成绩单。
可以看到，Hydra 注意力比标准注意力快 197 倍（T=197）。
随着图像大小的增加，它显著提高了模型的 FLOP 数，在创建和应用注意力矩阵所占的计算量上也始终只有 0.02%。
除此之外，作者发现，使用不同的内核，Hydra Attention 还能让模型的准确率提高大约两个百分点。
或者用 Hydra Attention 替换特定的注意力层，也能将模型的精度在 ImageNet 上提高 1% 或者与基线维持不变。
当然，最多可替换 8 层。
另外，作者表示，这个方法应该可以扩展到 NLP 领域，不过他们还没试。
这篇成果已入选ECCV 2022 Workshop。
作者一共 5 位，分别来自 Meta AI 和佐治亚理工学院。
其中华人 3 名，分别是：
Cheng-Yang Fu，本硕毕业于清华大学，博士毕业于美国北卡罗来纳大学教堂山分校，现在是 Meta 计算机视觉方面的研究科学家。
Xiaoliang Dai，本科毕业于北大，博士毕业于普林斯顿大学，同就职于 Meta。
Peizhao Zhang，本硕毕业于中山大学，博士于美国德克萨斯 A&M 大学，已在 Meta 工作五年。
论文地址：
https://arxiv.org/abs/2209.07484
参考
https://www.reddit.com/r/MachineLearning/comments/xgqwvu/r_hydra_attention_efficient_attention_with_many/
广告声明：文内含有的对外跳转链接（包括不限于超链接、二维码、口令等形式），用于传递更多信息，节省甄选时间，结果仅供参考，IT之家所有文章均包含本声明。