Implémentation du transformateur récurrent de bloc - Pytorch. Le point culminant du document est sa capacité à mémoriser quelque chose il y a jusqu'à 60 000 jetons.
Cette conception est SOTA pour la ligne de recherche sur les transformateurs récurrents, afaict.
Il inclura également une attention flash ainsi que des mémoires routées allant jusqu'à 250 000 jetons en utilisant les idées de cet article.
$ pip install block-recurrent-transformer-pytorch
import torch
from block_recurrent_transformer_pytorch import BlockRecurrentTransformer
model = BlockRecurrentTransformer (
num_tokens = 20000 , # vocab size
dim = 512 , # model dimensions
depth = 6 , # depth
dim_head = 64 , # attention head dimensions
heads = 8 , # number of attention heads
max_seq_len = 1024 , # the total receptive field of the transformer, in the paper this was 2 * block size
block_width = 512 , # block size - total receptive field is max_seq_len, 2 * block size in paper. the block furthest forwards becomes the new cached xl memories, which is a block size of 1 (please open an issue if i am wrong)
num_state_vectors = 512 , # number of state vectors, i believe this was a single block size in the paper, but can be any amount
recurrent_layers = ( 4 ,), # where to place the recurrent layer(s) for states with fixed simple gating
use_compressed_mem = False , # whether to use compressed memories of a single block width, from https://arxiv.org/abs/1911.05507
compressed_mem_factor = 4 , # compression factor of compressed memories
use_flash_attn = True # use flash attention, if on pytorch 2.0
)
seq = torch . randint ( 0 , 2000 , ( 1 , 1024 ))
out , mems1 , states1 = model ( seq )
out , mems2 , states2 = model ( seq , xl_memories = mems1 , states = states1 )
out , mems3 , states3 = model ( seq , xl_memories = mems2 , states = states2 )
D'abord pip install -r requirements.txt
, puis
$ python train.py
utiliser un biais de position dynamique
ajouter une récurrence améliorée
configurer des blocs d'attention locaux, comme dans l'article
cours de transformateur wrapper pour la formation
prendre soin de la génération avec récurrence dans RecurrentTrainWrapper
ajouter la possibilité d'abandonner des mémoires et des états entiers pendant chaque étape de segment pendant l'entraînement
testez le système complet sur enwik8 localement et supprimez les états et les mémoires et voyez les effets de première main
assurez-vous que l'attention autorise également les clés/valeurs à tête unique
faire quelques expériences de déclenchement fixe dans des transformateurs ordinaires - cela ne fonctionne pas
intégrer l'attention flash
masque d'attention du cache + intégrations rotatives
ajouter des mémoires compressées
revoir memformer
essayez de router des mémoires longue distance allant jusqu'à 250 000 en utilisant la descente de coordonnées (Wright et al.)
@article { Hutchins2022BlockRecurrentT ,
title = { Block-Recurrent Transformers } ,
author = { DeLesley S. Hutchins and Imanol Schlag and Yuhuai Wu and Ethan Dyer and Behnam Neyshabur } ,
journal = { ArXiv } ,
year = { 2022 } ,
volume = { abs/2203.07852 }
}
@article { Shazeer2019FastTD ,
title = { Fast Transformer Decoding: One Write-Head is All You Need } ,
author = { Noam M. Shazeer } ,
journal = { ArXiv } ,
year = { 2019 } ,
volume = { abs/1911.02150 }
}
@inproceedings { Sun2022ALT ,
title = { A Length-Extrapolatable Transformer } ,
author = { Yutao Sun and Li Dong and Barun Patra and Shuming Ma and Shaohan Huang and Alon Benhaim and Vishrav Chaudhary and Xia Song and Furu Wei } ,
year = { 2022 }
}
@inproceedings { dao2022flashattention ,
title = { Flash{A}ttention: Fast and Memory-Efficient Exact Attention with {IO}-Awareness } ,
author = { Dao, Tri and Fu, Daniel Y. and Ermon, Stefano and Rudra, Atri and R{'e}, Christopher } ,
booktitle = { Advances in Neural Information Processing Systems } ,
year = { 2022 }
}
@inproceedings { Ainslie2023CoLT5FL ,
title = { CoLT5: Faster Long-Range Transformers with Conditional Computation } ,
author = { Joshua Ainslie and Tao Lei and Michiel de Jong and Santiago Ontan'on and Siddhartha Brahma and Yury Zemlyanskiy and David Uthus and Mandy Guo and James Lee-Thorp and Yi Tay and Yun-Hsuan Sung and Sumit Sanghai } ,
year = { 2023 }
}
La mémoire est l'attention à travers le temps - Alex Graves