Transformer中self-attention、RNN、CNN的性能对比

论文原文Attention is all you need:
https://arxiv.org/pdf/1706.03762.pdf

• 输入序列$(x_1,x_2,...,x_n)$
• 输出序列$(z_1,z_2,...,z_n)$
• $x_i,z_i\in R^d$
• n：序列长度
• d：表征维度
• k：卷积大小
• r：restricted self-attention的邻居范围

原论文why self attention部分从三个角度进行了分析：
每层的计算复杂度，串行操作的最少步数，连接两个元素之间最远路径

1 层计算复杂度

大多数任务中，$n$往往小于$d$，所以在大多数情况下，self-attention的计算复杂度更低，对于句长较大的任务，可以使用restricted self-attention(r-centered)来降低计算复杂度

卷积层的复杂度一般高于RNN，大概是乘以$k$

2 串行操作最小步数

RNN是在一个序列上的处理是不可以并行的

3 连接两个元素之间的最远路径（长距离依赖的路径长度）

$O(1)$(self-attention)更好地学习到长距离依赖;

值得注意的是，针对连续卷积，需要$O(n/k)$层卷积，对于空洞卷积需要$O(lo{g}_k(n))$层

同理restricted self-attention需要$O(n/r)$层,降低了计算复杂度的同时，牺牲了长距离依赖的学习

总而言之，对于一般的翻译任务，self-attention的层计算复杂度低，单层内每个操作可并行，并且具有良好的长距离依赖学习能力