new

长序列transformer/readme.md

-Transformer针对长序列问题的改进，主要有两种思路，一种是通过分段递归机制维护长序列的上下文信息，另一种是使用更高效的注意力机制。第一类方法比较有代表性的工作有transformer-xl(2019)，该方法虽然为模型赋予了处理长序列的能力，但是此类方法的时间和空间复杂度依然较高。
+Transformer针对长序列问题的改进，主要有两种思路，一种是通过分段递归机制维护长序列的上下文信息，另一种是使用更高效的注意力机制。第一类方法比较有代表性的工作有transformer-xl(2019)，该方法虽然为模型赋予了处理长序列的能力，但是此类方法的时间和空间复杂度依然较高。
@@ -2,23 +2,23 @@ Transformer针对长序列问题的改进，主要有两种思路，一种是通
 
 第二类方法，即针对注意力机制的改进又可以分为：
 
-* 使用低秩矩阵或核函数的思想构建复杂度更低的注意力机制，相关工作有 Linformer（2020）、Linear Transformer（2020）和 Random Feature Attention（2021）。Softmax 注意力机制的复杂度 $O (n^2)$ 来源于softmax函数，因此这类方法的主要思想是使用别的方法来替代softmax函数，降低注意力机制的复杂度。其中 Linformer 对 K 和 V 应用核方法降低序列维度，但该操作同时也把整个序列的信息柔和在了一起，因此没办法对未来信息进行 Mask，无法做语言模型、seq2seq 等任务。而 Random Feature Attention 没有这方面的问题，该方法采用循环神经网络的思想，在模型的每个时间步都维护一个蕴含历史信息的隐层向量，以此达到只使用 prefix 信息的目的【与Mask效果相同】。
-*  改进注意力的计算过程，相关工作有 luna (2021) 和 less memory (2022) 。其中 luna 将注意力的过程拆分为两个阶段，第一个阶段先使用一个注意力得到一个固定长度的结果（长度小于句长n，类似于压缩的思想），第二个阶段再使用一次注意力计算对压缩的结果进行注意力计算，该方法可以与别的注意力改进方法相结合。less memory 将 QKV 拆分成子片段，依次对这些片段进行注意力计算，再将结果合并，以降低注意力所需要的内存，该方法的不足是其时间复杂度仍然为 $O (n^2)$ 。
+* 使用低秩矩阵或核函数的思想构建复杂度更低的注意力机制，相关工作有 Linformer（2020）、Linear Transformer（2020）和 Random Feature Attention（2021）。Softmax 注意力机制的复杂度 $ O (n^2) $ 来源于softmax函数，因此这类方法的主要思想是使用别的方法来替代softmax函数，降低注意力机制的复杂度。其中 Linformer 对 K 和 V 应用核方法降低序列维度，但该操作同时也把整个序列的信息柔和在了一起，因此没办法对未来信息进行 Mask，无法做语言模型、seq2seq 等任务。而 Random Feature Attention 没有这方面的问题，该方法采用循环神经网络的思想，在模型的每个时间步都维护一个蕴含历史信息的隐层向量，以此达到只使用 prefix 信息的目的【与Mask效果相同】。
+*  改进注意力的计算过程，相关工作有 luna (2021) 和 less memory (2022) 。其中 luna 将注意力的过程拆分为两个阶段，第一个阶段先使用一个注意力得到一个固定长度的结果（长度小于句长n，类似于压缩的思想），第二个阶段再使用一次注意力计算对压缩的结果进行注意力计算，该方法可以与别的注意力改进方法相结合。less memory 将 QKV 拆分成子片段，依次对这些片段进行注意力计算，再将结果合并，以降低注意力所需要的内存，该方法的不足是其时间复杂度仍然为 $ O (n^2) $ 。
 * 此外还有其他改进方法，相关工作有 Reformer(2020) 和 Big bird(2020) 。其中 Reformer 使用局部哈希敏感注意力机制，该方法复杂度高，复现困难，只有当序列长度大于 2048 时才会有效率提升。与Reformer 相较而言，Big bird 更加优秀。
 
 
 
 - |       论文        | 时间复杂度 | 空间复杂度 | 性能 | 不足 | 思想 |论文信息 |
-  | :--------: | :--------: | :--------: | :--------: | :--: | :--: | :-----: | ------- |
-  | softmax-attention | $O (n^2)$ | $O (n^2)$ | / | 相关性矩阵计算的时间与空间复杂度高，序列长度较长时，模型所需要的计算时间会变长，且容易OOM | / |Attention is all you need|/|
-  | Transformer-xl | $O (n^2)$ | $O (n^2)$ | 可以处理比transformer长4.5倍的序列。在长序列和短序列中的效果都很好。 | 维护上下文会带来额外的计算成本 | 使用分段递归机制增加self-attention的context长度，以此来更好的处理长序列 |ACL 2019，  引用量1728|
-  | Reformer | $O(nlogn)$ | $O(nlogn)$ | 内存效率更高，对长序列处理时速度更快 | 1) 方法复杂，复现的难度大。        2) 只有当长度大于2048时，才会有效率提升。 | 使用局部敏感哈希（LSH）注意力机制，降低注意力的计算复杂度 |Google research，ICLR 2020，引用量698||
-  | Linformer | $O(n)$ | $O(n)$ | 相较于Transformer而言，可大大降低长序列所需推理时间 | 没办法对未来信息进行Mask，无法做语言模型、seq2seq等任务 | 使用低秩矩阵近似self-attention |Facebook AI，arxiv 2020，引用量377||
-  | Linear Transformer | $O(n)$ | $O(n)$ | 在长序列自回归推断时，速度比transformer快了4000倍 | / | 将自我注意表示为核特征映射的线性点积 |           ICML 2020，引用量326           ||
-  |      Big bird      |   $O(n)$   |   $O(n)$   |         该方法使得相同硬件可以处理的序列长度增加八倍         |                              /                               | 稀疏注意力（同时结合了Random attention、Window attention和Global Attention） | Google research，NeurIPS 2020，引用量461 ||
-  | Random Feature Attention | $O(n)$ | $O(n)$ | 对于长度为2048的序列，推断速度可提升12倍。该方法适用于需要加速或长序列的任务中。 | / | 使用随机特征函数对softmax进行近似 | ICLR 2021，引用量87 ||
-  | Luna | $O(n)$ | $O(n)$ | 可以与别的改进注意力的方法叠用 | / | 拆分整个注意力的计算为两个部分，以此达到降低复杂度的目的。先使用一个注意力得到一个固定长度的结果（长度小于句长n，类似于压缩的思想），再使用一次注意力计算对压缩的结果进行注意力计算。 | NeurIPS 2021，引用量19 ||
-  | Less memory | $O(n^2)$ | $O(logn)$ | 对于长度为16384的序列，自注意机制所需要的内存减少了59倍 | 时间复杂度较高 | 分段式计算，有点归并计算的感觉 |Google research，arxiv 2022，引用量4||
+  | :--------: | :--------: | :--------: | :--------: | :--: | :--: | :-----: |
+  | softmax-attention | $ O (n^2) $ | $ O (n^2) $ | / | 相关性矩阵计算的时间与空间复杂度高，序列长度较长时，模型所需要的计算时间会变长，且容易OOM | / |Attention is all you need|
+  | Transformer-xl | $ O (n^2) $ | $ O (n^2) $ | 可以处理比transformer长4.5倍的序列。在长序列和短序列中的效果都很好。 | 维护上下文会带来额外的计算成本 | 使用分段递归机制增加self-attention的context长度，以此来更好的处理长序列 |ACL 2019，  引用量1728|
+  | Reformer | $ O(nlogn) $ | $ O(nlogn) $ | 内存效率更高，对长序列处理时速度更快 | 1) 方法复杂，复现的难度大。        2) 只有当长度大于2048时，才会有效率提升。 | 使用局部敏感哈希（LSH）注意力机制，降低注意力的计算复杂度 |Google research，ICLR 2020，引用量698|
+  | Linformer | $ O(n) $ | $ O(n) $ | 相较于Transformer而言，可大大降低长序列所需推理时间 | 没办法对未来信息进行Mask，无法做语言模型、seq2seq等任务 | 使用低秩矩阵近似self-attention |Facebook AI，arxiv 2020，引用量377|
+  | Linear Transformer | $ O(n) $ | $ O(n) $ | 在长序列自回归推断时，速度比transformer快了4000倍 | / | 将自我注意表示为核特征映射的线性点积 |           ICML 2020，引用量326           |
+  |      Big bird      |   $ O(n) $   |   $ O(n) $   |         该方法使得相同硬件可以处理的序列长度增加八倍         |                              /                               | 稀疏注意力（同时结合了Random attention、Window attention和Global Attention） | Google research，NeurIPS 2020，引用量461 |
+  | Random Feature Attention | $ O(n) $ | $ O(n) $ | 对于长度为2048的序列，推断速度可提升12倍。该方法适用于需要加速或长序列的任务中。 | / | 使用随机特征函数对softmax进行近似 | ICLR 2021，引用量87 |
+  | Luna | $ O(n) $ | $ O(n) $ | 可以与别的改进注意力的方法叠用 | / | 拆分整个注意力的计算为两个部分，以此达到降低复杂度的目的。先使用一个注意力得到一个固定长度的结果（长度小于句长n，类似于压缩的思想），再使用一次注意力计算对压缩的结果进行注意力计算。 | NeurIPS 2021，引用量19 |
+  | Less memory | $ O(n^2) $ | $ O(logn) $ | 对于长度为16384的序列，自注意机制所需要的内存减少了59倍 | 时间复杂度较高 | 分段式计算，有点归并计算的感觉 |Google research，arxiv 2022，引用量4|