如果硬件跟不上需求，我们可以尽可能提高算法效率。
训练越来越大的深度学习模型已经成为过去十年的一个新兴趋势。如下图所示，模型参数量的不断增加让神经网络的性能越来越好，也产生了一些新的研究方向，但模型的问题也越来越多。
首先，这类模型往往有访问限制，没有开源，或者即使开源，仍然需要大量的计算资源来运行。第二，这些网络模型的参数是不能通用的，因此需要大量的资源来进行训练和推导。第三，模型不能无限扩大，因为参数的规模受到硬件的限制。为了解决这些问题，专注于提高效率的方法正在形成一种新的研究趋势。
近日，来自希伯来大学、华盛顿大学等多所机构的十几位研究者联合撰写了一篇综述，归纳总结了自然语言处理（NLP）领域的高效方法。
论文地址：https://arxiv.org/pdf/2209.00099.pdf
效率通常是指输入系统的资源与系统产出之间的关系，一个高效的系统能在不浪费资源的情况下产生产出。在 NLP 领域，我们认为效率是一个模型的成本与它产生的结果之间的关系。
方程（1）描述了一个人工智能模型产生某种结果（R）的训练成本（Cost）与三个（不完备的）因素成正比：
（1）在单个样本上执行模型的成本（E）；
（2）训练数据集的大小（D）；
（3）模型选择或参数调整所需的训练运行次数（H）。
然后，可以从多个维度衡量成本 Cost(·) ，如计算、时间或环境成本中的每一个都可以通过多种方式进一步量化。例如，计算成本可以包括浮点运算（FLOPs）的总数或模型参数的数量。由于使用单一的成本指标可能会产生误导，该研究收集和整理了关于高效 NLP 的多个方面的工作，并讨论了哪些方面对哪些用例有益。
该研究旨在对提高 NLP 效率的广泛方法做一个基本介绍，因此该研究按照典型的 NLP 模型 pipeline（下图 2）来组织这次调查，介绍了使各个阶段更高效的现有方法。
这项工作给 NLP 研究人员提供了一个实用的效率指南，主要面向两类读者：
（1）来自 NLP 各个领域的研究人员，帮助他们在资源有限的环境下工作：根据资源的瓶颈，读者可以直接跳到 NLP pipeline 所涵盖的某个方面。例如，如果主要的限制是推理时间，论文中第 6 章描述了相关的提高效率方法。
（2）对改善 NLP 方法效率现状感兴趣的研究人员。该论文可以作为一个切入点，为新的研究方向寻找机会。
下图 3 概述了该研究归纳整理的高效 NLP 方法。
此外，虽然硬件的选择对模型的效率有很大的影响，但大多数 NLP 研究者并不能直接控制关于硬件的决定，而且大多数硬件优化对于 NLP pipeline 中的所有阶段都有用。因此，该研究将工作重点放在了算法上，但在第 7 章中提供了关于硬件优化的简单介绍。最后，该论文进一步讨论了如何量化效率，在评估过程中应该考虑哪些因素，以及如何决定最适合的模型。
感兴趣的读者可以阅读论文原文，了解更多研究细节。
