Head-wise Shareable Attention for Large Language Models

828 篇文章

已下架不支持订阅

本文探讨了大型语言模型(LLM)的权重共享,尤其是头部共享注意力,提出DirectShare和PostShare方法,实验证明这两种方法在保持模型能力的同时,提升了内存效率。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

本文是LLM系列文章,针对《Head-wise Shareable Attention for Large Language Models》的翻译。

摘要

大型语言模型(LLM)具有大量的参数,这限制了它们在边缘设备上的部署。权重共享是一种很有前途的解决方案,它鼓励权重重用,有效地减少内存使用,同时减少性能下降。然而,当前的权重共享技术主要关注像BERT这样的小规模模型,并使用粗粒度的共享规则,例如逐层共享。考虑到LLM的普遍性和共享整个层或块明显削弱了权重共享的灵活性,这就变得有限了。在本文中,我们对大型语言模型的头部可共享注意力提出了一个观点。我们进一步提出了两种高效记忆的方法,它们在注意力头之间共享参数,特别关注LLM。两者都使用相同的动态策略来选择共享权重矩阵。第一种方法直接重用预训练的权重,而无需重新训练,表示为DirectShare。第二种方法首先在权重矩阵相似性约束下进行后训练,然后进行共享,表示为PostShare。实验结果表明,我们的头部共享模型仍然保持着令人满意的能力,证明了细粒度权重共享应用于LLM的可行性。

1 引言

2 相关工作

3 动机和实证分析

4 头

已下架不支持订阅

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

UnknownBody

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值