基于注意力的Transformer网络被广泛用于序列建模任务，包括语言建模和机器翻译。为了提高性能，模型通常通过增加隐藏层的维度来扩展，或者通过堆叠更多的Transformer块来扩展。例如，T5使用65K的隐藏层参数，GPT-3使用96个Transformer块。然而，这样的缩放显著增加了网络参数的数量(例如，T5和GPT-3分别有110亿个和1750亿个参数)，并使学习复杂化，也就是说，这些模型要么需要非常大的训练库或特定的的正则化。
在本篇文章中介绍一篇论文，该论文引入了一种新的基于参数的高效注意力架构，可以很容易地扩展到广泛和深入。DeLighT 提出了一个更深、更轻的Transformer，更高效地在每个Transformer块中分配参数:
使用DeLighT 深度和轻量级转换;
对跨块使用块的缩放，允许较浅和较窄的DeLighT 靠近输入，更宽和较深的DeLighT 靠近输出。
一般来说，DeLighT 深度是标准Transformer的2.5 ~ 4倍，但参数和操作更少。
模型缩放
模型缩放是提高顺序模型性能的标准方法。模型的大小在宽度比例上增加，而在深度比例上堆叠更多的块。在这两种情况（及其组合）中，网络每个块中的参数都相同，这可能出现次优解决方案。为了进一步改善序列模型的性能，[1]引入了块比例缩放，允许设计可变大小的块并在网络中有效分配参数。
论文的研究结果表明：
- 靠近输入的较浅和较窄的DeLighT块，靠近输出的较深和较宽的DeLighT块可提供最佳性能。
- 与仅使用模型缩放相比，基于块缩放的模型可以实现更好的性能。
卷积神经网络（CNN）还可以学习靠近输入的浅层和窄层表示，以及靠近输出的深层和宽泛表示。与在每个卷积层中执行固定数量的操作的CNN不同，建议的块缩放在每个层和块中使用可变数量的操作。
改善序列模型
最近，在改善序列模型的其他相关方法上也进行了重要工作，包括
（1）使用更好的标记级别表示（例如使用BPE），自适应输入和输出以及定义以提高准确性，以及
（2）使用压缩 ，修剪和蒸馏以提高效率。
与[1]的工作最接近的是定义转换，它也使用了“展开-缩小”策略来学习表示形式。DeFINE变换（图1c）和DeLighT变换（图1d）之间的主要区别在于，DeLighT变换在扩展层和简化层之间分配参数时更有效。
（c，d）比较了DeFINE变换和DeLighT变换。与DeFINE变换相比，DeLighT变换使用具有更多组的组线性变换（GLT）来学习具有较少参数的更广泛的表示形式。不同的颜色用于显示GLT中的组。为简单起见，特征改组未在（d）中显示。
与DeFINE不同，DeFINE使用较少的组来学习组线性变换中的更多鲁棒表示，而DeLighT变换使用更多的组来学习范围更广的表示，并且参数较少。DeLighT转换可实现与DeFINE转换相同的性能，但参数要少得多。
DeLight Transformer
标准的Transformer块如图1a所示：
包括使用查询，键，值对序列令牌之间的关系进行建模，以及使用前馈网络（FFN）来学习更广泛的表示形式。
通过将3个投影应用于输入以获得Query，Key和Value，可以获得多头注意。每个投影均由h个线性层（或头部）组成，并且尺寸输入映射到一维空间，即头部尺寸。
FFN由以下两个线性层操作完成：
第1步：尺寸扩展；
第2步：尺寸缩减。
DeLight
DeLighT变换首先将维输入向量映射到高维空间，然后使用N层组变换将其简化为维输出向量（降阶），如图1d所示。
在展开缩减阶段，DeLighT变换使用组线性变换（GLT），因为它们通过从输入的特定部分导出输出来学习局部表示，这比线性变换更有效。为了学习全局表示，DeLighT变换使用特征变换在组线性变换的不同组之间共享信息，类似于卷积网络中的通道变换。
增加Transformer的表达能力和容量的标准方法是增加输入尺寸。但是，线性增加也会增加标准Transformer块（序列长度在其中）的多头注意力的复杂性。相比之下，为了增加DeLighT块的表达能力和容量，论文使用扩展和收缩阶段来增加中间DeLighT过渡的深度和宽度。这使DeLighT可以使用较小的尺寸和较少的操作来计算注意力。
DeLighT变换由5个配置参数控制:
- GLT层数N，
- 宽度乘数,
- 输入维数，
- 输出维度,
- GLT中最大的组数
在两个常见的序列建模任务（i）机器翻译和（ii）语言建模上，DeLighT模型在参数和操作上明显少于Transformer模型，但其性能与Transformer模型相似或更好，在资源低的WMT'16 En-Ro机器翻译数据集上， DeLighT使用的参数减少了2.8倍，并实现了Transformer相同性能。在高资源WMT’14 En-Fr数据集上，DeLighT以比基线Transformer少1.8倍的参数提供了更好的性能（+0.4 BLEU分数）。同样，在语言建模方面，DeLighT在WikiText-103数据集上将Transformer-XL的性能（Dai等人，2019）与参数减少了1.5倍相匹配。
