Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > eess > arXiv:2501.06098

帮助 | 高级搜索

电气工程与系统科学 > 图像与视频处理

arXiv:2501.06098 (eess)
[提交于 2025年1月10日 (v1) ,最后修订 2025年2月10日 (此版本, v3)]

标题: ELFATT:用于视觉变压器的高效线性快速注意力

标题: ELFATT: Efficient Linear Fast Attention for Vision Transformers

Authors:Chong Wu, Maolin Che, Renjie Xu, Zhuoheng Ran, Hong Yan
摘要: 注意力机制是变压器在不同机器学习任务中取得成功的关键。 然而,传统的基于softmax的注意力机制相对于序列长度的二次复杂度成为长序列任务(如视觉任务)应用的主要瓶颈。 尽管已经提出了各种高效的线性注意力机制,但它们需要牺牲性能以实现高效率。 此外,像FlashAttention-1-3这样的内存高效方法仍然具有二次计算复杂度,可以进一步改进。 在本文中,我们提出了一种新颖的高效线性快速注意力(ELFATT)机制,以同时实现低内存输入/输出操作、线性计算复杂度和高性能。 在高分辨率视觉任务中,ELFATT相比传统的基于softmax的注意力机制提供了4-7倍的速度提升,而不会损失性能。 ELFATT兼容FlashAttention。 使用FlashAttention-2加速,ELFATT在高分辨率视觉任务中相比传统的基于softmax的注意力机制仍提供2-3倍的速度提升,而不会损失性能。 即使在边缘GPU上,ELFATT在各种功率模式(从5W到60W)下与最先进的注意力机制相比仍能提供1.6倍至2.0倍的速度提升。 此外,ELFATT可以直接用于增强和加速扩散任务,而无需训练。
摘要: The attention mechanism is the key to the success of transformers in different machine learning tasks. However, the quadratic complexity with respect to the sequence length of the vanilla softmax-based attention mechanism becomes the major bottleneck for the application of long sequence tasks, such as vision tasks. Although various efficient linear attention mechanisms have been proposed, they need to sacrifice performance to achieve high efficiency. What's more, memory-efficient methods, such as FlashAttention-1-3, still have quadratic computation complexity which can be further improved. In this paper, we propose a novel efficient linear fast attention (ELFATT) mechanism to achieve low memory input/output operations, linear computational complexity, and high performance at the same time. ELFATT offers 4-7x speedups over the vanilla softmax-based attention mechanism in high-resolution vision tasks without losing performance. ELFATT is FlashAttention friendly. Using FlashAttention-2 acceleration, ELFATT still offers 2-3x speedups over the vanilla softmax-based attention mechanism on high-resolution vision tasks without losing performance. Even on edge GPUs, ELFATT still offers 1.6x to 2.0x speedups compared to state-of-the-art attention mechanisms in various power modes from 5W to 60W. Furthermore, ELFATT can be used to enhance and accelerate diffusion tasks directly without training.
评论: 22页,5图,13表
主题: 图像与视频处理 (eess.IV)
引用方式: arXiv:2501.06098 [eess.IV]
  (或者 arXiv:2501.06098v3 [eess.IV] 对于此版本)
  https://doi.org/10.48550/arXiv.2501.06098
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Chong Wu [查看电子邮件]
[v1] 星期五, 2025 年 1 月 10 日 16:51:19 UTC (736 KB)
[v2] 星期三, 2025 年 1 月 29 日 18:15:29 UTC (1,633 KB)
[v3] 星期一, 2025 年 2 月 10 日 09:14:05 UTC (1,634 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
  • 其他格式
查看许可
当前浏览上下文:
eess.IV
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-01
切换浏览方式为:
eess

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号