Self-attention| 四种自注意机制加速方法小结

作者 | 林天威

来源 | https://zhuanlan.zhihu.com/p/270898373

编辑 | 海边的拾遗者公众号

本文仅作学术交流，如有侵权，请联系后台删除

导读

Self-attention机制是神经网络的研究热点之一。本文从self-attention的四个加速方法：ISSA、CCNe、CGNL、Linformer 分模块详细说明，辅以论文的思路说明。

Attention 机制最早在NLP 领域中被提出，基于attention 的transformer结构近年在NLP的各项任务上大放异彩。在视觉任务中，attention也收到了很多的关注，比较有名的方法包括Non-Local Network，能够在时空volume中对全局的关系进行建模，获得了很好的效果。但视觉任务中的self-attention模块通常需要进行大矩阵的矩阵乘法，显存占用大且比较耗时。所以近年有许多优化self-attention模块速度的方法，这篇笔记主要讨论几篇相关方法，有错误之处欢迎指正。

Self-Attention 简介

Attention 机制通常可以表达为如下的形式

其中， 为query， 为key， 为value。从检索任务的角度来看，query是要检索的内容，key是索引，value则是待检索的值。attention的过程就是计算query 和key之间的相关性，获得attention map，再基于attention map去获得value中的特征值。而在如下图所示的self-attention中，Q K V均为同一个feature map。

上图是一个self-attention模块的基本结构，输入为 , 分别通过1x1卷积获得 和 （记 )。则可以获得attention map为 。最后与 做矩阵乘法获得与输入shape想同的self-attention feature map。

在self-attention中，计算量和显存占用比较大的主要是生成attention map时的 和 最后的 两个步骤。对于64大小的feature map， 的大小为 。因此，self-attention 模块通常放在分辨率较低的网络后半段特征。

如何了优化attention的显存和计算量效率内，今天介绍的方法主要有两个方向的思路：

• 改变attention的形式，避免直接全图attention
  • Long + Short range attention：Interlaced Sparse Self-Attention
  • 水平+垂直attention：Ccnet: Criss-cross attention for semantic segmentation
  • A2-Nets: Double Attention Networks
• 降低attention计算过程中的某个维度
  • 降低N维度：Linformer: Self-Attention with Linear Complexity
  • 降低C维度：常用方法了，通常就是C/2 或者C/4
• 其他
  • 优化GNL：Compact generalized non-local network

Attention 形式优化

ISSA: Interlaced Sparse Self-Attention

• 论文基本思路：这篇论文的基本思路是“交错”。如下图所示，首先通过permute将feature以一定规律打乱，然后将feature map分为几个块分别做self-attention，这样获得的是long-range 的attention信息；此后，再进行一次permute还原回原来的特征位置，再次进行分块attention，获得了short-range 的attention。通过拆解long/short range的attention，能够大大降低计算量。

• 具体的性能表现如下图所示，可以看出，下降最明显的是显存的占用，主要是因为避免了attention过程中的大矩阵。而由于permute，divide等操作虽然不占flop，但是在inference的时候需要一定的时间，所以实际速度没有flops提升的那么多。不过总体而言，在效果没有明显下降的前提下，这个速度/显存的优化已经很优秀了。

• 这篇文章在看的时候感觉既视感好强，后来想到这不就是hw上的shufflenet嘛。

CCNet: Criss-cross attention for semantic segmentation

• 论文主要思路：区别与Non-Local 中的全局attention，这篇文章提出只在特征点所对应的十字上进行attention。从而将复杂度从 降低到

• CCNet 的具体做法是，对于 上的一个点 ,我们都可以得到对应的特征向量 ，对于这个点对应的十字形区域，我们可以从 中提取对应的特征，构成 ，针对 和 进行矩阵乘法，则可以得到attention map 为 。最后对 以同样的方式提取十字形特征并进行矩阵乘法，则可以得到最后的结果。

• 那么如何从十字attention过渡到全局attention呢，方法其实很简单，只需要做两次十字attention，每个点就可以获得全局的信息了。

• CCNet 的理论计算量（Flops and memory）比起Non-Local 是很有优势的。但是提取十字形特征这一步的效率可能并不是很高，论文中也并没有放出具体的代码实现。

A2-Nets: Double Attention Networks

• 这篇论文的attention 方式看下图即可

• 第一个 feautre gathering，可以理解为对每个channel，softmax找到最重要的位置，再去gathering所有channel上这个最重要位置上的特征；得到 CxC
• 第二个 feautre distribution，可以理解为对每个channel，softmax找到最重要的位置，然后给每个channel的这个位置都分配一遍特征。
• 这篇文章的attention 方式很有趣，值得仔细琢磨一下的。不过速度方面比起NL应该没有提升特别多。

Attention 维度优化

Linformer: Self-Attention with Linear Complexity

• Attention的过程如上所说，可以看作是 ，这篇文章对N做降维，将attention 转化为 ，在K是定值的情况下，既将复杂度从 降低到了
• 这篇文章大部分的篇幅，是在证明这样降低维度和原来的结果是近似的，没看太懂证明部分
• 实验部分，K取得越大效果越好，但是并不明显。即降维会非常略微地影响效果，同时非常有效地提升速度。

其他

CGNL: Compact generalized non-local network

这篇文章主要是来优化一种计算量更大的Self-attention方法：Generalized Non-local (GNL)。这种方法不仅做H W两个spatial尺度上的non-local attention，还额外考虑了C维度。因此复杂度是 。

这篇文章的主要思路是：利用泰勒展开，将 _ 近似成了 _ 。从而可以通过先计算后两项，将复杂度从 降低到了

• 这篇文章在视频理解、目标检测等任务上的实验效果都还不错，但是并没有给出速度方面的实验结果和分析。