參數(shù)量?jī)H為4%，性能媲美GPT-3：開(kāi)發(fā)者圖解DeepMind的RETRO
從 BERT 到 GPT-2 再到 GPT-3，大模型的規(guī)模是一路看漲，表現(xiàn)也越來(lái)越驚艷。增大模型規(guī)模已經(jīng)被證明是一條可行的改進(jìn)路徑，而且 DeepMind 前段時(shí)間的一些研究表明：這條路還沒(méi)有走到頭，繼續(xù)增大模型依然有著可觀的收益。
但與此同時(shí)，我們也知道，增大模型可能并不是提升性能的唯一路徑，前段時(shí)間的幾個(gè)研究也證明了這一點(diǎn)。其中比較有代表性的研究要數(shù) DeepMind 的 RETRO Transformer 和 OpenAI 的 WebGPT。這兩項(xiàng)研究表明，如果我們用一種搜索 / 查詢信息的方式來(lái)增強(qiáng)模型，小一點(diǎn)的生成語(yǔ)言模型也能達(dá)到之前大模型才能達(dá)到的性能。
在大模型一統(tǒng)天下的今天，這類研究顯得非常難能可貴。
在這篇文章中，擅長(zhǎng)機(jī)器學(xué)習(xí)可視化的知名博客作者 Jay Alammar 詳細(xì)分析了 DeepMind 的 RETRO（Retrieval-Enhanced TRansfOrmer）模型。該模型與 GPT-3 性能相當(dāng)，但參數(shù)量?jī)H為 GPT-3 的 4%。
RETRO 整合了從數(shù)據(jù)庫(kù)中檢索到的信息，將其參數(shù)從昂貴的事實(shí)和世界知識(shí)存儲(chǔ)中解放出來(lái)。
在 RETRO 之前，研究社區(qū)也有一些工作采用了類似的方法，因此本文并不是要解釋它的新穎性，而是該模型本身。
將語(yǔ)言信息和世界知識(shí)信息分離開(kāi)來(lái)
一般來(lái)講，語(yǔ)言模型的任務(wù)就是做填空題，這項(xiàng)任務(wù)有時(shí)候需要與事實(shí)有關(guān)的信息，比如
但有時(shí)候，如果你對(duì)某種語(yǔ)言比較熟悉，你也可以直接猜出空白部分要填什么，例如：
這種區(qū)別非常重要，因?yàn)榇笮驼Z(yǔ)言模型將它們所知道的一切都編碼到模型參數(shù)中。雖然這對(duì)于語(yǔ)言信息是有意義的，但是對(duì)于事實(shí)信息和世界知識(shí)信息是無(wú)效的。加入檢索方法之后，語(yǔ)言模型可以縮小很多。在文本生成過(guò)程中，神經(jīng)數(shù)據(jù)庫(kù)可以幫助模型檢索它需要的事實(shí)信息。
隨著訓(xùn)練數(shù)據(jù)記憶量的減少，我們可以使用較小的語(yǔ)言模型來(lái)加速訓(xùn)練。任何人都可以在更小、更便宜的 GPU 上部署這些模型，并根據(jù)需要對(duì)它們進(jìn)行調(diào)整。
從結(jié)構(gòu)上看，RETRO 是一個(gè)編碼器 - 解碼器模型，就像原始的 Transformer。然而，它在檢索數(shù)據(jù)庫(kù)的幫助下增加了輸入序列。該模型在數(shù)據(jù)庫(kù)中找到最可能的序列，并將它們添加到輸入中。RETRO 利用它的魔力生成輸出預(yù)測(cè)。
在探索模型架構(gòu)之前，讓我們先深入挖掘一下檢索數(shù)據(jù)庫(kù)。
RETRO 的檢索數(shù)據(jù)庫(kù)
此處的數(shù)據(jù)庫(kù)是一個(gè)鍵值存儲(chǔ)（key-value store）數(shù)據(jù)庫(kù)。其中 key 是標(biāo)準(zhǔn)的 BERT 句子嵌入，value 是由兩部分組成的文本：
- Neighbor，用于計(jì)算 key；
- Completion，原文件中文本的延續(xù)。
RETRO 的數(shù)據(jù)庫(kù)包含基于 MassiveText 數(shù)據(jù)集的 2 萬(wàn)億個(gè)多語(yǔ)言 token。neighbor chunk 和 completion chunk 的長(zhǎng)度最多為 64 個(gè) token。
RETRO 數(shù)據(jù)庫(kù)內(nèi)部展示了 RETRO 數(shù)據(jù)庫(kù)中鍵值對(duì)的示例。
RETRO 將輸入提示分成多個(gè) chunk。為簡(jiǎn)單起見(jiàn)，此處重點(diǎn)關(guān)注如何用檢索到的文本擴(kuò)充一個(gè) chunk。但是，模型會(huì)針對(duì)輸入提示中的每個(gè) chunk（第一個(gè) chunk 除外）執(zhí)行此過(guò)程。
數(shù)據(jù)庫(kù)查找
在點(diǎn)擊 RETRO 之前，輸入提示進(jìn)入 BERT。對(duì)輸出的上下文向量進(jìn)行平均以構(gòu)建句子嵌入向量。然后使用該向量查詢數(shù)據(jù)庫(kù)。
使用 BERT 處理輸入提示會(huì)生成上下文化的 token 嵌入 。對(duì)它們求平均值會(huì)產(chǎn)生一個(gè)句子嵌入。
然后將該句子嵌入用于近似最近鄰搜索。檢索兩個(gè)最近鄰，它們的文本成為 RETRO 輸入的一部分。
BERT 句子嵌入用于從 RETRO 的神經(jīng)數(shù)據(jù)庫(kù)中檢索最近鄰。然后將這些添加到語(yǔ)言模型的輸入中。
現(xiàn)在 RETRO 的輸入是：輸入提示及其來(lái)自數(shù)據(jù)庫(kù)的兩個(gè)最近鄰（及其延續(xù)）。
從這里開(kāi)始，Transformer 和 RETRO 塊將信息合并到它們的處理中。
檢索到的近鄰被添加到語(yǔ)言模型的輸入中。然而，它們?cè)谀Ｐ蛢?nèi)部的處理方式略有不同。
高層次的 RETRO 架構(gòu)
RETRO 的架構(gòu)由一個(gè)編碼器堆棧和一個(gè)解碼器堆棧組成。
RETRO Transformer 由一個(gè)編碼器堆棧（處理近鄰）和一個(gè)解碼器堆棧（處理輸入）組成
編碼器由標(biāo)準(zhǔn)的 Transformer 編碼器塊（self-attention + FFNN）組成。Retro 使用由兩個(gè) Transformer 編碼器塊組成的編碼器。
解碼器堆棧包含了兩種解碼器 block：
- 標(biāo)準(zhǔn) Transformer 解碼器塊（ATTN + FFNN）
- RETRO 解碼器塊（ATTN + Chunked cross attention (CCA) + FFNN）
構(gòu)成 RETRO 的三種 Transformer 模塊
編碼器堆棧會(huì)處理檢索到的近鄰，生成后續(xù)將用于注意力的 KEYS 和 VALUES 矩陣。
解碼器 block 像 GPT 一樣處理輸入文本。它對(duì)提示 token 應(yīng)用自注意力（因此只關(guān)注之前的 token），然后通過(guò) FFNN 層。
只有到達(dá) RETRO 解碼器時(shí)，它才開(kāi)始合并檢索到的信息。從 9 開(kāi)始的每個(gè)第三個(gè) block 是一個(gè) RETRO block（允許其輸入關(guān)注近鄰）。所以第 9、12、15…32 層是 RETRO block。
下圖展示了檢索到的信息可以瀏覽完成提示所需的節(jié)點(diǎn)步驟。
