Attention Is Off By One

发表时间: 2023-07 · Blog post by Evan Miller (evanmiller.org)

作者： Evan Miller

A1 主要贡献

本文针对现代人工智能（特别是Transformer模型）中普遍存在的量化困难问题，提出了一个核心观点：Attention机制中的softmax函数存在“off-by-one”错误。

  • 核心问题：Transformer模型中存在大量异常权重（Outlier weights）和极大的激活值（Mega-activations），这些值使得模型在进行整数（Integer）量化时性能严重下降，且难以压缩部署。
  • 研究目标：通过修正Attention机制中的数学定义，允许Attention Head在没有有效信息时“保持沉默”，从而减少不必要的噪声标注，改善模型的量化特性。
  • 创新点：提出了“Softmax1”函数，通过在softmax的分母中引入常数1，使得Attention Head能够表达“不进行任何标注”的意图，并将该机制命名为“QuietAttention”。

A3 背景知识与关键观察

异常值（Outliers）问题

LLM中存在着难以消除的异常值，这些值在数量级上远超同类。研究表明，这些异常值对于模型的运作至关重要，但其存在与神经网络的常规认知相悖。
- 现有研究（如：[Quantizable Transformers: Removing Outliers by Helping Attention Heads Do Nothing, 2023, Qualcomm AI Research, https://arxiv.org/abs/2306.12929]）指出，超过97%的LLM异常激活值出现在空格和标点符号位置 。
- 现有针对这些异常值的量化方案（如位压缩技术）往往会导致模型性能显著下降。

Softmax机制的局限性

Attention机制的原始公式为：
$[ \textrm{Attention}(Q, K, V) = \textrm{softmax}\left(\frac{QK^T}{\sqrt{d}}\right)V ]$

  • 强制选择特性：Softmax函数源于统计力学和多项式逻辑回归，其核心机制是强制在竞争项之间进行选择（概率求和为1）。
  • Attention中的误用：在Transformer中，Softmax被用于将输入映射为概率分布以混合Value向量。这强制每个Attention Head必须对输出向量进行标注，即使该Head在当前位置并无相关信息可添加。
  • 噪声放大：由于Softmax不允许“不选择”，它迫使模型在面对非语义标记（如标点）时也必须产生权重，导致了大量不必要的噪声和异常激活值。

A2 方法细节

Softmax1 定义

为了解决上述问题，作者提出了Softmax1函数，旨在为Attention机制提供一个“退出机制”。

Softmax1 公式：
$[ (\textrm{softmax}_1(x))_i = \frac{\exp(x_i)}{1+\sum_j \exp(x_j)} ]$

  • 设计逻辑：通过在分母中增加常数1，该函数允许向量整体趋向于零。这与标准softmax不同，标准softmax在输入趋向负无穷时，输出分布仍需满足归一化条件（即概率之和为1）。
  • 对比分析：
    • 原版softmax在极限情况下的表现：
      $[ \lim_{x_1 \to -\infty} \ldots \lim_{x_k \to -\infty} (\textrm{softmax}(x))_i = \frac{1}{k} \gt 0 ]$
      这意味着无论输入如何，原版softmax总是会产生非零的权重。
    • Softmax1在极限情况下的表现：
      $[ \lim_{x_1 \to -\infty} \ldots \lim_{x_k \to -\infty} (\textrm{softmax}_1(x))_i = 0 ]$
      这使得模型在需要时可以“逃逸”或“不进行任何标注”。

QuietAttention 机制

基于Softmax1，作者定义了改进后的Attention机制：

QuietAttention 公式：
$[ \textrm{QuietAttention}(Q, K, V) := \textrm{softmax}_1 \left(\frac{QK^T}{\sqrt{d}}\right)V ]$

  • 数学属性：
    • 该函数保持了相对值的不变性，即：
      $[ \frac{(\textrm{softmax}_1(x))_i}{(\textrm{softmax}_1(x))_j} = \frac{(\textrm{softmax}(x))_i}{(\textrm{softmax}(x))_j} = \frac{\exp(x_i)}{\exp(x_j)} \quad \forall \ i, j ]$
    • 导数始终为正，确保了梯度传播的有效性。
    • 输出值的总和处于0到1之间，保证了激活值的可控性。

实现建议

作者建议通过以下方式快速验证该机制：

  • 在输入上下文前缀中添加一个零向量（Zero Vector）。
  • 确保神经网络不包含额外的偏置项（包括位置编码）。
  • 这种输入结构将使得零向量在计算中起到类似于分母中增加常数1的效果，从而无需修改现有的梯度计算代码。

A4 实验环境与结果

  • 实验环境：本文为观点性文章，未提供具体的实验数据、硬件配置或软件框架实现细节。
  • 实验结果：作者尚未进行大规模实验验证，该方法目前处于理论构想阶段，呼吁社区进行实验验证。

A5 结论与展望

  • 结论：现有的Transformer Attention机制中存在的异常值问题，根源在于softmax函数强制性的概率归一化，导致Attention Head无法选择“不作为”。
  • 展望：通过采用Softmax1（QuietAttention），有望解决异常激活值问题，从而使LLM更易于量化和部署。作者邀请社区进行实验，通过观察权重峰度（kurtosis）和激活无穷范数（infinity norms）的变化来验证该方法的有效性。

参考文献说明：
1. [Quantizable Transformers: Removing Outliers by Helping Attention Heads Do Nothing, 2023, Qualcomm AI Research, https://arxiv.org/abs/2306.12929]：该论文被引用以说明LLM中异常激活值 （outlier activations）的分布特征（97%+出现在空格和标点位置）。