甚至网络！北大& 谷歌& 马普所提出TokenFormer Transformer素来没有这么灵敏过！ Token化一切
本论文第一作者是汪陆地，北京大学20级博士生，目前关键关注是通用模型的架构设计和学习算法。指点传授关键包含王立威，北京大学自动学院传授；Bernt Schiele，德国马普计算所传授；Federico Tombari 谷歌人工自动迷信家等。
新一代通用灵敏的网络结构 TokenFormer: Rethinking Transformer Scaling with Tokenized Model Parameters 来啦！
TokenFormer不只像原始 Transformer 一样 Token 化了 input> 这种形式打破了原有人们区别看待>
这项名为 TokenFormer 的新上班，由谷歌，马普计算所和北大的钻研者提出，在 Twitter，HackerNews, Reddit 上获取宽泛的探讨和关注 (Twitter 上有 150K + 的阅读量)。
目前代码、模型和名目主页均已放出：
得益于其处置各种数据的灵敏性，Transformer 网络结构在各个 AI 畛域都取得了渺小的成功。
Transformer 模型通常将处置单个 Token 所需的计算分为两个局部：与其余 Token 的交互（Token-Token Interaction）和触及模型参数的计算（Token-Parameter Interaction）。
Attention 促成了 Token-Token 之间的交互，使现代通用基础模型能够将多模态数据编码成一致的 Token 序列，并有效捕捉它们之间的复杂依赖相关。
相反，Token-Parameter 计算关键依赖于固定的 linear projection，大大限度 model size 的 scaling。Scaling model 是通常扭转模型结构，往往须要从头训练整个模型，带来了过多的资源消耗，使其越来越不实际践。
在本文中，钻研团队经常使用 token 这一律念建模一切的计算，行将 model parameters 也视为一种 token， 网络的计算一致为各种不同的 token ( e.g.,> 为成功这一指标，钻研团队引入了 TokenFormer。一致 Token-Token 和 Token-Parameters Interaction 的计算。其 Token-Parameter attention 具备灵敏性，并能够处置可变数量的参数，从而实质上最大化了 Transformer 的灵敏性，增强了模型的可裁减性。
TokenFormer 提供一种新的看待模型的视角，即网络的计算就是一些 Tokens 相互恣意交互。基于这些 Tokens （e.g.,> 该团队宿愿 TokenFormer 作为一种通用的网络结构，不只在 incremental model scaling 上有奉献，还在 Sparse Inference, Parameter-Efficient Tuning, Vision and Language Models, Device-Cloud Collaboration 和 Model Interpretability 等畛域有更多的奉献。
Tokenformer 的外围翻新是 Token-Parameter Attention（Pattention） Layer，它联合了一组 Trainable Tokens 作为 model parameters，并经过 cross-attention 来治理 Input Token 与这些 Parameter Tokens 之间的交互。
经过这种形式，Pattention 层引入了一个额外的维度 —Parameter Token 的数量，这一维度独立于输入和输入维度。此解耦形式使得输入数据可以与 variable number of parameters 启动交互，提供了增量模型裁减所需的灵敏性。
Pattention Layer: 详细来说，就是让 input alt="图片">
其中 Θ 是改良的 softmax，为了防止梯度 exponential 带来的梯度疑问，
这里 f () 是恣意非线性函数，自动经常使用 gelu。
钻研团队经常使用 Pattention Layer 交流掉规范 Transformer 中的一切的 linear projection，最大化 Transformer 的灵敏性。
有了 TokenFormer 这一灵敏的性质，可以加长出很多运行。这里以增量式 model scaling 为例。
假定曾经训练好了一个 TokenFormer，其 key parameters 和 value parameters 计为
如上图所示，参与新的从新初始化的 key-value parameter pairs，计为
而后经常使用 pattention layer，让 input>
这里直观的了解就是每个 Key-Value 代表一种学好的 pattern，其组成一个渺小的常识库。文中的 incremental scaling 就是在原有的常识库上进一步拓展训练。
增量式 model scaling：如下右图所示，模型在曾经训好的 124M 的模型的基础上，驳回增量式训练，只用十分之一的数据就可以到达从头训练战略相近的功能，让模型可以始终迭代， 真正地活起来了 。
Language Modeling：如下表所示，钻研团队比拟了 Transformer-based 的模型和TokenFormer在言语建模上的才干。
在相反规模、相反模型尺寸下，TokenFormer在大大参与灵敏性的前提下到达了比 Transformer 更好的 zero-shot 功能。这里钻研团队 follow 了 pythia 规范的训练代码以及数据集：Pile (300B)。上述结果展现了TokenFormer在言语模型建模上的才干。
Visual Modeling: 为了进一步验证TokenFormer的表白才干，钻研团队还和规范的 vision transformer 启动了对比。
在 ImageNet-1K 的监视训练的 setting 上，经常使用相反的训练战略，TokenFormer 的功能超越了vision-transformer，验证了其在 visual modeling 上的才干。
钻研团队以为Tokenformer 是专家混合（MoE）框架的极致实例化，其中每一组键 - 值参数对都充任一个独立的专家。这种翻新的类 MoE 架构有或许清楚缩小与 Token-Parameter 交相互关的计算老本。
新的参数高效微调范式
Tokenformer 的裁减方法经过集成额外的 key-value parameter pairs，展现了一种参数高效的微调战略。当面对新义务或数据集时，该模型可以经过参与新的 Token Parameters 来裁减其预训练参数，从而极速顺应特定义务需求。
应用 Tokenformer 的参数高效微调才干，可以成功视觉和言语模态的无缝集成。详细方法是将预训练的 Visual Tokenformer 和 Language Tokenformer 的 key-value parameter Tokens 一致为一个参数集，而后引入新的 Trainable Tokens 来口头视觉 - 言语对齐和指令微调。
Tokenformer 可以在设备 - 云单干中充任云端常识库，为设备端的大言语模型（LLM）提供支持，其中每组 key-value parameter tokens 代表一个可学习形式，经过设备启动实时处置，并应用云端口头密集义务。
因为 Tokenformer 齐全基于留意力机制，它人造受益于在 Token-Parameter 交互中与留意力相关的可解释性个性。这一特点增强了模型的可解释性，为 AI 社区开发更透明、易了解的模型奉献力气。
