Flowformer

Flowformer

Flowformer 利用保护流网络实现 Transformer 线性化和长序列处理

Flowformer 是一种 Transformer 模型,通过引入保护流网络理论,实现了线性复杂度的注意力机制。它能够处理超过4000多个标记的长序列,在视觉、自然语言处理、时间序列和强化学习等领域表现优异。在长序列建模任务中,Flowformer 的平均准确率达到56.48%,超过了 Performer 和 Reformer 等现有方法。该项目不依赖特定归纳偏置,提供了核心代码实现和多个领域的应用示例,为研究人员和开发者提供了一个通用的基础模型。

注意力机制流网络理论Github开源项目FlowformerTransformer线性复杂度

Flowformer(ICML 2022)

Flowformer:利用守恒流线性化Transformer

:triangular_flag_on_post:新闻(2024.07)Mobile-Attention,一个为移动设备量身定制的Flowformer版本,已在ICML 2024发表。注意力代码可以在这里找到。只需将标准注意力机制替换为我们的Mobile-Attention,就可以获得一个更快的模型。

Transformer在多个领域取得了令人印象深刻的成功。然而,注意力机制的二次复杂度严重阻碍了Transformer处理大量token和扩展到更大模型的能力。为了追求线性复杂度任务通用的基础模型,我们提出了Flowformer [论文],具有以下优点:

  • 相对于序列长度的线性复杂度,可以处理极长序列(超过4k个token)
  • 无特定归纳偏置,纯粹源自流网络理论
  • 任务通用,在**$\color{red}{\text{长序列、视觉、自然语言处理、时间序列、强化学习}}$**等任务中表现出色。

流注意力设计

我们将注意力机制转化为流网络,信息流通过学习的流容量(注意力)从源(值)聚合到汇(结果)。

通过在源和汇两个方面进行守恒,我们可以将竞争引入流注意力设计,避免琐碎的注意力,体现了"固定资源会导致竞争"的精神。

<p align="center"> <img src="https://raw.githubusercontent.com/thuml/Flowformer/main/.\pic\Flow-Attention.png" height = "250" alt="" align=center /> <br><br> <b>图1.</b> 具有竞争和分配机制的流注意力。 </p>

快速开始

  1. 请参考不同文件夹获取详细的实验说明。

    注意:我们在为不同任务配置环境时遇到了很多困难。如果您在解决环境问题时也遇到困难,欢迎联系我们并讨论。

  2. 基准测试列表

  • 核心代码:见Flow_Attention.py
  • GPT风格的Pytorch模块:见Flowformer_TorchModule
  • LRA中的长序列建模:见Flowformer_LRA
  • ImageNet-1K中的视觉识别:见Flowformer_CV
  • WikiText-103中的语言建模:见Flowformer_NLP
  • UEA中的时间序列分类:见Flowformer_TimeSeries
  • D4RL中的强化学习:见Flowformer_RL
  • CUDA加速版本

主要结果

详细结果请参见[论文],包括近20个对比基准

任务指标FlowformerPerformerReformer普通<br>Transformer
长序列建模<br>(LRA)平均准确率(%)$\uparrow$56.4851.4150.67OOM
视觉识别<br>(ImageNet-1K)Top-1准确率(%)$\uparrow$80.678.179.678.7
语言建模<br>(WikiText-103)困惑度$\downarrow$30.837.533.633.0
时间序列分类<br>(UEA)平均准确率(%)$\uparrow$73.071.571.971.9
离线强化学习<br>(D4RL)平均奖励$\uparrow$<br>平均偏差$\downarrow$73.5 $\pm$ 2.963.8 $\pm$ 7.663.9 $\pm$ 2.972.2 $\pm$ 2.6

普通Transformer在强化学习中指Decision Transformer。

注意力可视化

<p align="center"> <img src="https://raw.githubusercontent.com/thuml/Flowformer/main/.\pic\Attention-visualization.png" height = "300" alt="" align=center /> <br><br> <b>图2.</b> 注意力可视化。Flowformer能够成功捕捉到关键部分。 </p>

引用

如果您觉得本仓库有用,请引用我们的论文。

@inproceedings{wu2022flowformer,
  title={Flowformer: Linearizing Transformers with Conservation Flows},
  author={Haixu Wu and Jialong Wu and Jiehui Xu and Jianmin Wang and Mingsheng Long},
  booktitle={International Conference on Machine Learning},
  year={2022}
}

联系方式

如果您有任何问题或想使用代码,请联系wuhx23@mails.tsinghua.edu.cn

编辑推荐精选

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表

爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型,支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。

HunyuanVideo

HunyuanVideo

HunyuanVideo 是一个可基于文本生成高质量图像和视频的项目。

HunyuanVideo 是一个专注于文本到图像及视频生成的项目。它具备强大的视频生成能力,支持多种分辨率和视频长度选择,能根据用户输入的文本生成逼真的图像和视频。使用先进的技术架构和算法,可灵活调整生成参数,满足不同场景的需求,是文本生成图像视频领域的优质工具。

WebUI for Browser Use

WebUI for Browser Use

一个基于 Gradio 构建的 WebUI,支持与浏览器智能体进行便捷交互。

WebUI for Browser Use 是一个强大的项目,它集成了多种大型语言模型,支持自定义浏览器使用,具备持久化浏览器会话等功能。用户可以通过简洁友好的界面轻松控制浏览器智能体完成各类任务,无论是数据提取、网页导航还是表单填写等操作都能高效实现,有利于提高工作效率和获取信息的便捷性。该项目适合开发者、研究人员以及需要自动化浏览器操作的人群使用,在 SEO 优化方面,其关键词涵盖浏览器使用、WebUI、大型语言模型集成等,有助于提高网页在搜索引擎中的曝光度。

xiaozhi-esp32

xiaozhi-esp32

基于 ESP32 的小智 AI 开发项目,支持多种网络连接与协议,实现语音交互等功能。

xiaozhi-esp32 是一个极具创新性的基于 ESP32 的开发项目,专注于人工智能语音交互领域。项目涵盖了丰富的功能,如网络连接、OTA 升级、设备激活等,同时支持多种语言。无论是开发爱好者还是专业开发者,都能借助该项目快速搭建起高效的 AI 语音交互系统,为智能设备开发提供强大助力。

olmocr

olmocr

一个用于 OCR 的项目,支持多种模型和服务器进行 PDF 到 Markdown 的转换,并提供测试和报告功能。

olmocr 是一个专注于光学字符识别(OCR)的 Python 项目,由 Allen Institute for Artificial Intelligence 开发。它支持多种模型和服务器,如 vllm、sglang、OpenAI 等,可将 PDF 文件的页面转换为 Markdown 格式。项目还提供了测试框架和 HTML 报告生成功能,方便用户对 OCR 结果进行评估和分析。适用于科研、文档处理等领域,有助于提高工作效率和准确性。

飞书多维表格

飞书多维表格

飞书多维表格 ×DeepSeek R1 满血版

飞书多维表格联合 DeepSeek R1 模型,提供 AI 自动化解决方案,支持批量写作、数据分析、跨模态处理等功能,适用于电商、短视频、影视创作等场景,提升企业生产力与创作效率。关键词:飞书多维表格、DeepSeek R1、AI 自动化、批量处理、企业协同工具。

下拉加载更多