知识卡片
局部敏感哈希
全注意力要计算每个Q与所有K的点积,序列长时复杂度为O(L2),内存和耗时都难以承受。LSH利用相近向量哈希后仍相近的性质,先用哈希把相似的Q、K分到同一个桶,只在桶内计算点积,把复杂度降到O(L log L)。实现上对每个块分桶、桶内并行计算,并兼顾相似向量被分到不同桶的概率问题。它用近似换取效率:不再精确比较所有对,而是聪明地只比较最可能相似的对。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 第5章 注意力机制 · 查看原书依据
LSH的核心思想就是:向量空间里相近的两个向量,经过hash函数后依然是相近的。在这里计算Q和K的点积就是为了找到Q和K相似的部分,所以没有必要把Q中的每个向量都与K相乘,可以只计算相近的那部分。
参考来源
- 位置:《深入浅出Embedding:原理解析与应用实践 (吴茂贵, 王红星)》第5章 注意力机制(源文件:extracted/深入浅出Embedding:原理解析与应用实践 (吴茂贵, 王红星)/_epub-src/OEBPS/Text/Chapter8_0007.xhtml)
- 结论依据:原文说明点积注意力复杂度为O(L2),LSH核心思想是相近向量哈希后依然相近,通过分桶把复杂度降到O(L log L)。
- 原始内容:LSH的核心思想就是:向量空间里相近的两个向量,经过hash函数后依然是相近的。在这里计算Q和K的点积就是为了找到Q和K相似的部分,所以没有必要把Q中的每个向量都与K相乘,可以只计算相近的那部分。