RNN回归！Bengio新作大道至简与Transformer

[tian.qqcn2010.com）

新智元报道：alan【新智元导读】近日，深度学习三巨头之一的Yoshua Bengio，带领团队推出了全新的RNN架构，以大道至简的思想与Transformer一较高下。

在Transformer统治的AI时代之下，散落在世界各地的「RNN神教」信徒，一直相信并期待着RNN回归的那天：

[pan.xnxxsa.com）

毕竟，凭借强大的顺序和上下文感知能力，RNN曾在各种任务中表现惊艳。直到后来遭遇了反向训练的瓶颈，因Scaling Law而跌落神坛。然而，人们并没有忘记RNN。

[pan.kra-architects.com）

RWKV、Mamba、xLSTM等RNN衍生模型接连出现，欲挑战Transformer之霸主地位。

就在近日，又有重量级人物下场——深度学习三巨头之一的Yoshua Bengio，带领团队推出了全新的RNN架构，以大道至简的思想与Transformer一较高下。

[wei.allpcpc.com）

论文地址：https://arxiv.org/pdf/2410.01201v1

研究人员对传统的两种RNN架构LSTM和GRU，进行了大刀阔斧的改造，从中诞生了两个新模型：minLSTM和minGRU。

这俩极简主义的版本到底怎么样？咱们先看疗效。首先是RNN最大的问题：训练速度。

[bu.wdp1.com）

上图展示了几种模型在T4 GPU上训练花费的时间，以及新模型带来的加速比。横轴为输入数据的序列长度，批量大小为64。

可以看到，相比于原版的LSTM和GRU，minLSTM、minGRU和Mamba的运行时间不会随序列长度而增加（后3个模型的线在左图中重叠了）。

当序列长度为4096时，新架构相对于传统版本达到了1300多倍的加速比！

相当于原版GRU需要3年才能做完的事情，minGRU一天就搞定了。

那么对线Transformer的战绩如何？

[xia.g3id.com）

在本文测试的语言建模任务中，minGRU和minLSTM分别在600步左右达到最佳性能点。

相比之下，Transformer需要比minGRU多花大概2000步，训练速度慢了约2.5倍。对此，YC上的网友表示：「我非常喜欢这个新架构的简单性」。

[bu.crninfo.com）

毕竟，俗话说的好，「最好的PR是那些删除代码的PR」。

模型架构下面来感受一下极简模型的诞生过程。

首先，这是传统的RNN架构：

[tian.qt4t.com）

LSTM在RNN的每个cell中加入了比较复杂的门控：

[wu.joypox.com）

三个门控（input gate、output gate、forget gate）和输入的分量，都通过线性投影和非线性激活函数来得出，并且依赖于上一个时刻的隐藏状态ht-1。

[wu.donsta.net）

这些值再经过线性和非线性计算，得到本时刻的输出ct和隐藏状态ht。

GRU在LSTM的基础上做了一些简化：

[zong.nbkradio.com）

少了显式计算ct，用于门控的项也缩减到2个，相应的参数量和计算量也减少了。

[bu.shenyanglzx.com）

那么我们就从相对简单的GRU入手，开始改造。

改造的目的是使RNN能够应用并行扫描（Parallel Scan）算法，解决自身训练困难的问题。简单来说，就是将网络中的计算改造成vt = at ⊙ vt−1 + bt的形式。

minGRU第一步，公式中含有对之前隐藏状态ht-1的依赖，没办法用并行扫描，所以把ht-1直接删掉。

[kuai.ee-6.com）

ht-1没了，负责调控ht-1的rt也没用了，删掉。

第二步，双曲正切函数（tanh）负责限制隐藏状态的范围，并减轻因sigmoid（σ）而导致的梯度消失。但是现在ht-1和rt都没了，tanh也失去了存在的意义，删掉。

那么最终，minGRU就是下面这三个公式：

[bu.mori365.net）

相比于原版，参数量和计算量再次减少，最重要的是能够使用并行扫描来显著加快训练速度。

minLSTM经过上面的叙述，minLSTM的由来就很好理解了。

首先还是去除隐藏状态的依赖：

[kuai.mraza.net）

接着是拿掉相关的tanh：

[xia.105db.com）

最后，为了保证LS[low.share.carazoe.com）TM输出的尺度与时间无关，以及hidden state在缩放上与时[fat.share.c-lajoa.com）间无关，还需要删掉output gate。

output gat[fat.share.dilkampi.com）e没了，ct也就没必要单独存在了，删掉；剩下的两个门控通过归一化来调配[our.share.yfwmx.com）hidden state进入的比例。

[gong.hinist.co[did.share.539918.com）m）

——emmm......好像变成GRU了，算了不管了。最终改[for.share.wytepad.com）造好的minLSTM是下面这个样子：

[xia.petqs.c[has.share.wcjianhua.com）om）

Were RNNs All We Needed?

全新[our.share.winerplus.com）的RNN搞出来了，能打Transformer吗？

别急，先打内战证[our.share.sjzbxsj.com）明价值。

除了传统的RNN（LSTM和GRU），这里特别关注与Mamb[fact.share.rma7.com）a的比较。

首先是训练上的提升：

[zong.fizura.[fat.share.austin-inc.com）com）

实验在批次大小64的情况下改变序列长度，测量了模型执行前向[of.share.quguwan.com）传递、计算损失和向后传递计算梯度的总运行时间[did.share.yangguangshequwang.com）以及内存占用。

在运行时间方面，minLSTM、minGRU与Mam[fact.share.bdxhk.com）ba实现了类似的效率。

序列长度为512时的运行时间（超过100次的平均[our.share.ex3k.com）值），分别为 2.97、2.72和2.71毫秒；序列长度为40[fact.share.medulina.com）96时，运行时间分别为3.41、3.25和3.15。

相比之下，LST[our.share.dhkkj.com）M和GRU的运行时间随序列长度线性增加。所以序列长度为512时，m[fat.share.it-prom.com）inGRU和minLSTM的训练加速了175倍和235倍；序列长度为4096时，加速比达到了1324和1361。