當我們在翻譯軟件上輸入 “Transformer is a novel neural network architecture based on a self－attention mechanism” 后，計算機就可以迅速將它翻譯為 “Transformer 是一種基于自注意力機制的新型神經網絡架構”，神奇的機器翻譯使得多語種互譯成為可能。

近年來，得益于機器學習的快速發展，自然語言處理（NLP）技術不斷突破，在人機交互、在線翻譯工具等領域的應用層出不窮，不同語種的人與人、人與機器之間的無障礙自由交流得以實現。

當前的主流機器翻譯主要是基于神經網絡機器翻譯，這類方法是一個 “編碼器－解碼器”（encoder－decoder）架構的系統，編碼器對源語言序列進行編碼，并提取信息，然后通過解碼器把信息轉換為目標語言，完成語言翻譯過程。

自 2017 年問世以來，基于“編碼器－解碼器”架構設計的 Transformer 模型憑借其優越的性能，已然成為機器翻譯領域的主流模型，在深度學習領域產生了巨大影響。

然而，Transformer 模型并非完美，模型引入self－attention機制雖實現了快速并行的訓練，但在長序列文本的處理問題上，卻需要占據大量計算資源，導致模型訓練成本提高。

近日，由 Google、劍橋大學、DeepMind 和艾倫·圖靈研究院（Alan Turing Institute）的研究人員組成的團隊基于正交隨機特征的快速注意力（Fast Attention Via Positive Orthogonal Random Features，FAVOR＋）機制，提出了一種新的 Transformer 模型——Performer。相比于 Transformer 模型，新模型無需做出過度調整就可以變得更加高效和節能。

Performer 模型的技術突破

2017 年，谷歌大腦（Google Brain）的 Ashish Vaswani 等人發表了一篇題為 “Attention Is All You Need” 的論文，首次提出一種基于自注意力機制的 Transformer 模型。

Transformer 模型顛覆了傳統神經網絡的架構，彌補了卷積神經網絡（CNN）和遞歸神經網絡（RNN）存在的不足，在語義特征提取、長距離特征捕獲、任務綜合特征抽取等自然語言處理方面表現出了更優的性能，在自然語言處理、人機對話、圖像處理等許多領域都達到了當時最好的水平（SOTA）。

Transformer 架構的核心模塊是自注意力模塊，模型在處理每個單詞（輸入序列中的每個位置）時，自注意力模塊通過計算輸入序列中所有位置對的相似度分數，來尋找能夠幫助更好地編碼該單詞的線索。

然而，隨著輸入序列長度的增加，模型需要二次方的計算時間來產生所有相似度分數，所需計算內存也隨之增加，注意力機制面臨的效率問題也越來越突出。

針對那些需要長距離關注的應用，在 Transformer 基礎上已經有一些研究者提出了幾種快速的、空間利用率高的改進方法，但是大部分常見方法都依賴于稀疏注意力機制。

然而，稀疏注意力機制仍存在一定的局限性。

（1）它們需要高效的稀疏矩陣乘法運算，而這些運算并不是在所有加速器上都能實現的；（2）它們通常不能為其表示能力提供嚴格的理論保證；（3）它們主要針對 Transformer 模型和生成式預訓練進行優化；（4）它們通常會疊加更多的注意力層來補償稀疏表示，這使得它們很難與其他預訓練模型一起使用，因此需要重新訓練并消耗大量能量。

此外，稀疏注意機制通常仍然不足以解決常規注意方法應用的全部問題，如指針網絡。還有一些運算不能被稀疏化，如在工業級推薦系統中被大量應用的 softmax 運算。

Performer 使用了一個高效的（線性）廣義注意力框架，能夠對常規（softmax）全階注意力進行可證明的、準確的、實用的估計，不依賴于任何稀疏性或低階等先驗條件，從而實現更快的訓練速度，同時允許模型處理更長的序列，這一特性恰恰滿足了 ImageNet64 圖像數據集和PG－19文本數據集的要求。

Performer 模型通過正交隨機特征（FAVOR＋）算法實現快速注意力機制，并改用 Positive Orthogonal Random Features 估計 softmax 和高斯核函數，以實現在 FAVOR＋ 機制中對常規 softmax 注意力進行魯棒且無偏的估計。
研究人員表示：“Performer 是第一個通過微調可以與常規 Transformers 進行完全兼容的線性架構”。

左圖 ｜ 原點對稱的通用函數 r（定義為建立在：三角隨機特征和正隨機特征上的估計器的均方誤差（MSEs）的比值）是輸入特征向量與其長度l之間的角度 φ（以弧度為單位）的函數， 函數的數值越大表示正隨機特征性能越好的（φ，l）空間區域；

右圖 ｜ 當l為定值 1 時，與變化的角度 φ 構成的函數 r 為正切函數；右上角 ｜ 比較低 softmax 內核值區域中兩個估算器的 MSE。

作者通過比較發現，對于 φ 足夠大的臨界區域，該方法所使用的正交隨機特征比任意的三角隨機特征更精確。

圖｜ 我們將原始的經過預訓練的 Transformer 的權重轉移到 Performer 中，Performer 產的精度達到 0．07 （橙色虛線），但在原來的梯度步數的一小部分中，很快就恢復了精度。然而在 PG－19 上，三角法（TRIG）  softmax 逼近變得非常不穩定，而正特征（POS）（不重繪）和 Linformer （也是逼近 softmax）即使在重繪投影的情況下，也會在同樣的復雜度中趨于平穩。具有特征重繪的正 softmax 是匹配 Transformer 的必要條件，SMREG 可實現更快的收斂。

這篇論文利用詳細的數學定理，證明了與其單純依靠計算資源來提升性能，還不如開發出改進的、高效的 Transformer 架構，來顯著降低能耗。同時，由于 Performers 使用了與 Transformer 相同的訓練超參數，也可以有效訓練基于 softmax 的線性 Transformer。因此 FAVOR＋ 機制可以作為一個簡單的插件，而無需進行過多的調整。

Performer 模型應用前景廣泛

研究人員表示，Performer 模型的提出，顯著降低了常規 Transformer 的空間和時間復雜度，并在 Transformer 的研究以及非稀疏注意機制的作用方面開辟了新的途徑。

該論文利用詳細的數學定理，證明了與其單純依靠計算資源來提升性能，還不如開發出改進的、高效的 Transformer 架構，來顯著降低能耗。同時，由于 Performers 使用了與 Transformer 相同的訓練超參數，因此 FAVOR＋ 機制可以作為一個簡單的插件，而無需進行過多的調整。

該團隊在一系列豐富的場景下測試了 Performers 的性能，執行的任務包括像素預測、蛋白質序列建模。在實驗設置中，一個 Performer 只用 FAVOR＋ 機制取代了常規 Transformer 的注意力組件。

在使用蛋白質序列訓練一個 36 層模型的挑戰性任務上，基于 Performer 的模型（Performer－RELU）的性能優于基線 Transformer 模型：Reformer 和 Linformer，后者的準確率顯著下降。

在標準的 ImageNet64 基準上，具有 6 層的 Performer 與具有 12 層的 Reformer 的準確性相當。優化后，Performer 的速度達到了 Reformer 的兩倍。

研究人員表示，由于基于 Performer 的可擴展 Transformer 架構可以處理更長的序列，而不受注意力機制結構的限制，同時保持準確和魯棒性，相信它們可以在生物信息學領域帶來新的突破，如蛋白質的語言建模等技術已經顯示出強大的潛力。