infer speed longformer vs bert
Offen
- Vorherrschende Sprache
- Python
- Sterne
- 2.2k
- Forks
- 285
- PR-Merge-Kennzahlen
- Keine gemergten PRs in 30 T.
Beschreibung
I used bert-base-cased as the basic model and retrained my long-bert-512 .
long-bert settings:
attention windows (each layer is the same): 16
max_pos: 512
My sequence length is long enough. I think O(16\*512) window attention should be faster than O(512\*512) self-attention , however, I find that the inference time of long-bert-512 is more than bert-base-cased.
did I miss something?
Beitragsleitfaden
Für dieses Repository ist kein Beitragsleitfaden indexiert
Bewertung
Dieses Issue wurde noch nicht bewertet.