File size: 14,129 Bytes
c2992d0 | 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 | """
token_compress — Compressores e indexadores para atenção de 2M tokens.
Pipeline (3 estágios):
1. ToMe (Token Merging) — Bolya et al., 2023
Funde tokens similares via matching bipartido soft. Reduz N → N' com
N' = N - r·T (r tokens por camada, T camadas). Custo O(N log N).
2. KNN Indexer (IVF-like)
Mantém centroides via k-means. Para cada query, busca top-k tokens
no índice (k << N'). Custo O(N' log N') para construir, O(k log N')
por query.
3. Per-Layer Attention Pattern
Cada camada tem seu próprio padrão de sparsidade, selecionável:
- "full": dense attention clássica (O(N²)) — apenas para N' pequeno
- "window": atenção local em janela w
- "global": tokens especiais (CLS, registradores) attendem a tudo
- "block": atenção em blocos (BLOCKWISE)
O padrão é configurável por camada via lista `patterns`.
Complexidade total: O(N log N + T · k · N') comparado a O(T · N²) do
Transformer denso. Para N=2M, T=24, k=256: ganho ~ 50×.
"""
from __future__ import annotations
import math
from typing import List, Optional, Tuple
import torch
import torch.nn as nn
import torch.nn.functional as F
# ---------------------------------------------------------------------------
# 1. ToMeCompressor
# ---------------------------------------------------------------------------
def _bipartite_soft_matching(
metric: torch.Tensor,
r: int,
) -> Tuple[torch.Tensor, torch.Tensor, torch.Tensor]:
"""Matching bipartido soft (Bolya et al., 2023 — algoritmo original).
Passos:
1. Ordena tokens por score (norma do embedding — proxy para PCA[0]).
2. Separa alternadamente em dois conjuntos A (índices pares) e B
(índices ímpares) — disjuntos, |A| = |B| = N//2.
3. Para cada i ∈ [0, N//2), forma par candidato (a_i, b_i).
4. Calcula similaridade s_i = ⟨a_i, b_i⟩.
5. Seleciona os r pares com maior similaridade para fundir.
Os demais pares (N//2 - r) mantêm ambos os tokens.
metric: (B, N, C)
r: nº de pares a fundir
Retorna:
a_idx: (B, r) — índices de A nos pares fundidos (âncoras)
b_idx: (B, r) — índices de B nos pares fundidos
ungated_idx: (B, N - 2r) — índices dos tokens não fundidos
"""
B, N, C = metric.shape
M = N // 2 # número de pares
if r <= 0 or M < r:
all_idx = torch.arange(N, device=metric.device).unsqueeze(0).expand(B, -1)
return all_idx[:, :0], all_idx[:, :0], all_idx
with torch.no_grad():
scores = metric.norm(dim=-1) # (B, N)
sorted_idx = scores.argsort(dim=-1, descending=True) # (B, N)
# Alterna pares/ímpares: A = sorted_idx[:, 0::2], B = sorted_idx[:, 1::2].
a_idx_all = sorted_idx[:, 0:2 * M:2] # (B, M)
b_idx_all = sorted_idx[:, 1:2 * M:2] # (B, M)
# Similaridade entre cada par (a_i, b_i).
a_set = metric.gather(1, a_idx_all.unsqueeze(-1).expand(-1, -1, C)) # (B, M, C)
b_set = metric.gather(1, b_idx_all.unsqueeze(-1).expand(-1, -1, C)) # (B, M, C)
sim = (a_set * b_set).sum(dim=-1) # (B, M)
# Top-r pares mais similares para fundir.
top_r = sim.topk(r, dim=-1).indices # (B, r)
# Máscara de pares fundidos.
merged_mask = torch.zeros(B, M, dtype=torch.bool, device=metric.device)
merged_mask.scatter_(1, top_r, True)
# Índices de pares não-fundidos (constantes no batch).
pair_idx = torch.arange(M, device=metric.device).unsqueeze(0).expand(B, -1)
keep_pair = pair_idx[~merged_mask] # (B*(M-r),)
keep_pair = keep_pair.reshape(B, M - r)
# Token indices.
a_merge = a_idx_all.gather(1, top_r) # (B, r)
b_merge = b_idx_all.gather(1, top_r) # (B, r)
a_keep = a_idx_all.gather(1, keep_pair) # (B, M-r)
b_keep = b_idx_all.gather(1, keep_pair) # (B, M-r)
# Ungated = a_keep ∪ b_keep (total = 2*(M-r) = N - 2r se N par).
ungated = torch.cat([a_keep, b_keep], dim=1) # (B, 2(M-r))
return a_merge, b_merge, ungated
class ToMeCompressor(nn.Module):
"""Token Merging (ToMe) — funde r tokens similares a cada forward.
Reduz N → N - r tokens (mantém dimensão de feature).
"""
def __init__(self, r: int = 64, use_merge_bias: bool = False):
super().__init__()
self.r = r
# Opcional: pequeno gate para mistura ponderada entre par (a, b).
# Por padrão usamos média simples (estilo ToMe original).
self.merge_gate = nn.Parameter(torch.tensor(0.5)) if use_merge_bias else None
def forward(self, X: torch.Tensor, return_aux: bool = False) -> torch.Tensor:
"""X: (B, N, D) -> (B, N - r, D).
Quando return_aux=True, retorna também os índices (para debug).
"""
B, N, D = X.shape
M = N // 2
# Se não há pares suficientes para fundir, retorna X inalterado.
if self.r <= 0 or M < self.r:
return X
a_pair, b_idx, ungated = _bipartite_soft_matching(X, self.r)
# Merge: média do par (a, b).
a_set = X.gather(1, a_pair.unsqueeze(-1).expand(-1, -1, D)) # (B, r, D)
b_set = X.gather(1, b_idx.unsqueeze(-1).expand(-1, -1, D)) # (B, r, D)
if self.merge_gate is not None:
w = torch.sigmoid(self.merge_gate)
merged = w * a_set + (1.0 - w) * b_set
else:
merged = 0.5 * (a_set + b_set)
# Ungated tokens (2*(M-r)).
ungated_set = X.gather(1, ungated.unsqueeze(-1).expand(-1, -1, D)) # (B, 2(M-r), D)
# Concatena: ungated + merged = 2(M-r) + r = 2M - r = N - r (se N par).
out = torch.cat([ungated_set, merged], dim=1) # (B, N - r, D)
if return_aux:
return out, (a_pair, b_idx, ungated)
return out
# ---------------------------------------------------------------------------
# 2. KNNIndexer (IVF-like, sem dependência do FAISS)
# ---------------------------------------------------------------------------
class KNNIndexer(nn.Module):
"""Indexador k-NN baseado em k-means (estilo IVF).
Mantém uma lista invertida de tokens por centroide. Query busca
apenas nos centroides mais próximos (n_probe) e retorna top-k tokens
globais. Custo por query: O(n_probe · avg_list_size + n_centroids).
Funciona em batch: para cada query, retorna índices dos top-k tokens
e os pesos de similaridade (cosseno).
"""
def __init__(
self,
dim: int,
n_centroids: int = 256,
n_probe: int = 8,
k: int = 64,
n_iter: int = 5,
):
super().__init__()
self.dim = dim
self.n_centroids = n_centroids
self.n_probe = n_probe
self.k = k
self.n_iter = n_iter
# Centroides — buffer treinável em modo "build".
self.register_buffer("centroids", torch.randn(n_centroids, dim) * 0.02)
# Listas invertidas (chave = centroide idx, valor = índices de tokens).
# Em runtime mantemos como listas Python — não persistimos em state_dict.
self._lists: List[torch.Tensor] = []
self._tokens: Optional[torch.Tensor] = None # (N, D)
self._built = False
@torch.no_grad()
def build(self, tokens: torch.Tensor) -> None:
"""Constrói o índice IVF sobre o banco de tokens.
tokens: (N, D)
"""
N, D = tokens.shape
assert D == self.dim
device = tokens.device
# 1. K-means rápido (n_iter iterações de Lloyd).
if N <= self.n_centroids:
self.centroids = tokens.clone()
self._lists = [torch.tensor([i], device=device) for i in range(N)]
else:
# Inicialização: amostragem aleatória.
perm = torch.randperm(N, device=device)[:self.n_centroids]
self.centroids = tokens[perm].clone()
for _ in range(self.n_iter):
# Atribui cada token ao centroide mais próximo.
d2 = (tokens.unsqueeze(1) - self.centroids.unsqueeze(0)).pow(2).sum(-1) # (N, K)
assign = d2.argmin(dim=-1) # (N,)
# Atualiza centroides.
for k in range(self.n_centroids):
mask = assign == k
if mask.any():
self.centroids[k] = tokens[mask].mean(dim=0)
# Constói listas invertidas.
d2 = (tokens.unsqueeze(1) - self.centroids.unsqueeze(0)).pow(2).sum(-1)
assign = d2.argmin(dim=-1)
self._lists = [
(assign == k).nonzero(as_tuple=True)[0].to(device)
for k in range(self.n_centroids)
]
self._tokens = tokens
self._built = True
@torch.no_grad()
def search(self, queries: torch.Tensor, k: Optional[int] = None) -> Tuple[torch.Tensor, torch.Tensor]:
"""Busca top-k tokens para cada query.
queries: (B, D)
Retorna:
indices: (B, k) — índices no banco _tokens
weights: (B, k) — similaridade cosseno (em [-1, 1])
"""
if not self._built:
raise RuntimeError("Índice não construído. Chame build() antes.")
k = k or self.k
B = queries.shape[0]
device = queries.device
# 1. Encontra n_probe centroides mais próximos por query.
q_norm = F.normalize(queries, dim=-1) # (B, D)
c_norm = F.normalize(self.centroids, dim=-1) # (K, D)
sim_c = q_norm @ c_norm.t() # (B, K)
n_probe = min(self.n_probe, self.n_centroids)
top_c = sim_c.topk(n_probe, dim=-1).indices # (B, n_probe)
# 2. Para cada query, agrega tokens das listas invertidas correspondentes.
all_idx_list = []
all_w_list = []
for b in range(B):
cand_indices = torch.cat([self._lists[c.item()] for c in top_c[b] if len(self._lists[c.item()]) > 0])
if cand_indices.numel() == 0:
# Fallback: busca global.
cand_indices = torch.arange(self._tokens.shape[0], device=device)
cand_tokens = self._tokens[cand_indices] # (M, D)
q_b = q_norm[b] # (D,)
sims = (cand_tokens / cand_tokens.norm(dim=-1, keepdim=True).clamp(min=1e-8)) @ q_b # (M,)
kk = min(k, sims.numel())
topk = sims.topk(kk)
idx = cand_indices[topk.indices] # (kk,)
w = topk.values # (kk,)
# Pad com zeros se necessário.
if kk < k:
pad_idx = torch.zeros(k - kk, dtype=torch.long, device=device)
pad_w = torch.zeros(k - kk, device=device)
idx = torch.cat([idx, pad_idx])
w = torch.cat([w, pad_w])
all_idx_list.append(idx)
all_w_list.append(w)
indices = torch.stack(all_idx_list, dim=0) # (B, k)
weights = torch.stack(all_w_list, dim=0) # (B, k)
return indices, weights
# ---------------------------------------------------------------------------
# 3. CompressionPipeline (ToMe + KNN index)
# ---------------------------------------------------------------------------
class CompressionPipeline(nn.Module):
"""Pipeline de compressão: ToMe → KNN index → retorna subconjunto + pesos."""
def __init__(
self,
dim: int,
tome_r: int = 64,
n_centroids: int = 256,
n_probe: int = 8,
k: int = 64,
):
super().__init__()
self.tome = ToMeCompressor(r=tome_r)
self.indexer = KNNIndexer(dim=dim, n_centroids=n_centroids, n_probe=n_probe, k=k)
self._built = False
@torch.no_grad()
def build(self, tokens: torch.Tensor) -> None:
"""Constrói índice KNN sobre tokens pré-comprimidos por ToMe."""
compressed = self.tome(tokens)
self.indexer.build(compressed)
self._built = True
def forward(
self,
queries: torch.Tensor,
keys: torch.Tensor,
) -> Tuple[torch.Tensor, torch.Tensor, torch.Tensor]:
"""Para cada query, retorna top-k keys + pesos.
queries: (B, N_q, D)
keys: (B, N_k, D) — índice construído para o batch atual.
Em modo "global" (índice precompilado via build), apenas queries são
processadas e keys são ignoradas.
Retorna:
indices: (B, N_q, k) — índices das top-k keys
weights: (B, N_q, k) — similaridades (cosseno)
compressed_keys: (B, N_k - r, D) — keys pós-ToMe (se r > 0)
"""
# Comprime keys via ToMe.
compressed_keys = self.tome(keys)
# Para cada batch element, faz busca local (não usa índice global pré-construído).
B, Nq, D = queries.shape
Nk_c = compressed_keys.shape[1]
k = self.indexer.k
# Similaridade cosseno entre queries e compressed_keys.
q_norm = F.normalize(queries, dim=-1) # (B, Nq, D)
k_norm = F.normalize(compressed_keys, dim=-1) # (B, Nk_c, D)
sim = q_norm @ k_norm.transpose(-1, -2) # (B, Nq, Nk_c)
topk = sim.topk(min(k, Nk_c), dim=-1) # (B, Nq, k)
indices = topk.indices # (B, Nq, k)
weights = topk.values # (B, Nq, k)
return indices, weights, compressed_keys
|