【新智元导读】
近日，深度学习三巨头之一的Yoshua Bengio，带领团队推出了全新的RNN架构，以大道至简的思想与Transformer一较高下。
在Transformer统治的AI时代之下，
散落在世界各地的「RNN神教」信徒，一直相信并期待着RNN回归的那天：
毕竟，凭借强大的顺序和上下文感知能力，RNN曾在各种任务中表现惊艳。
直到后来遭遇了反向训练的瓶颈，因Scaling Law而跌落神坛。
然而，人们并没有忘记RNN。
RWKV、Mamba、xLSTM等RNN衍生模型接连出现，欲挑战Transformer之霸主地位。
就在近日，又有重量级人物下场——
深度学习三巨头之一的Yoshua Bengio，带领团队推出了全新的RNN架构，以大道至简的思想与Transformer一较高下。
论文地址：https://arxiv.org/pdf/2410.01201v1
研究人员对传统的两种RNN架构LSTM和GRU，进行了大刀阔斧的改造，从中诞生了两个新模型：minLSTM和minGRU。
这俩极简主义的版本到底怎么样？咱们先看疗效。
首先是RNN最大的问题：训练速度。
上图展示了几种模型在T4 GPU上训练花费的时间，以及新模型带来的加速比。横轴为输入数据的序列长度，批量大小为64。
可以看到，相比于原版的LSTM和GRU，minLSTM、minGRU和Mamba的运行时间不会随序列长度而增加（后3个模型的线在左图中重叠了）。
当序列长度为4096时，新架构相对于传统版本达到了1300多倍的加速比！
相当于原版GRU需要3年才能做完的事情，minGRU一天就搞定了。
那么对线Transformer的战绩如何？
在本文测试的语言建模任务中，minGRU和minLSTM分别在600步左右达到最佳性能点。
相比之下，Transformer需要比minGRU多花大概2000步，训练速度慢了约2.5倍。
对此，YC上的网友表示：「我非常喜欢这个新架构的简单性」。
毕竟，俗话说的好，「最好的PR是那些删除代码的PR」。
首先，这是传统的RNN架构：
LSTM在RNN的每个cell中加入了比较复杂的门控：
三个门控（input gate、output gate、forget gate）和输入的分量，都通过线性投影和非线性激活函数来得出，并且依赖于上一个时刻的隐藏状态ht-1。
这些值再经过线性和非线性计算，得到本时刻的输出ct和隐藏状态ht。
GRU在LSTM的基础上做了一些简化：
少了显式计算ct，用于门控的项也缩减到2个，相应的参数量和计算量也减少了。
那么我们就从相对简单的GRU入手，开始改造。
改造的目的是使RNN能够应用并行扫描（Parallel Scan）算法，解决自身训练困难的问题。
简单来说，就是将网络中的计算改造成vt = at ⊙ vt−1 + bt的形式。
minGRU
第一步，公式中含有对之前隐藏状态ht-1的依赖，没办法用并行扫描，所以把ht-1直接删掉。
ht-1没了，负责调控ht-1的rt也没用了，删掉。
第二步，双曲正切函数（tanh）负责限制隐藏状态的范围，并减轻因sigmoid（σ）而导致的梯度消失。
但是现在ht-1和rt都没了，tanh也失去了存在的意义，删掉。
那么最终，minGRU就是下面这三个公式：
相比于原版，参数量和计算量再次减少，最重要的是能够使用并行扫描来显著加快训练速度。
minLSTM
经过上面的叙述，minLSTM的由来就很好理解了。
首先还是去除隐藏状态的依赖：
接着是拿掉相关的tanh：
最后，为了保证LSTM输出的尺度与时间无关，以及hidden state在缩放上与时间无关，还需要删掉output gate。
output gate没了，ct也就没必要单独存在了，删掉；剩下的两个门控通过归一化来调配hidden state进入的比例。
——emmm......好像变成GRU了，算了不管了。
最终改造好的minLSTM是下面这个样子：
全新的RNN搞出来了，能打Transformer吗？
别急，先打内战证明价值。
除了传统的RNN（LSTM和GRU），这里特别关注与Mamba的比较。
首先是训练上的提升：
实验在批次大小64的情况下改变序列长度，测量了模型执行前向传递、计算损失和向后传递计算梯度的总运行时间以及内存占用。
在运行时间方面，minLSTM、minGRU与Mamba实现了类似的效率。
序列长度为512时的运行时间（超过100次的平均值），分别为 2.97、2.72和2.71毫秒；序列长度为4096时，运行时间分别为3.41、3.25和3.15。
相比之下，LSTM和GRU的运行时间随序列长度线性增加。所以序列长度为512时，minGRU和minLSTM的训练加速了175倍和235倍；序列长度为4096时，加速比达到了1324和1361。
内存方面，利用并行扫描算法时会创建更大的计算图，所以minGRU、minLSTM和Mamba ，比传统RNN需要更多的内存（大概多出88%）。
——但这并不重要，因为对于RNN来说，训练时间才是瓶颈。
去除隐藏状态的效果
minLSTM和minGRU的训练效率是通过降低它们的门控对先前隐藏状态的依赖来实现的。
尽管单层minLSTM或minGRU的门控只与输入有关，而与时间无关，但是在深度学习中，模型是通过堆叠模块来构建的。
从第二层开始，minLSTM和minGRU的门也将与时间相关，从而对更复杂的函数进行建模。
