transformer的问题：计算量大，占用内存大，不好部署。

所以大家在找能解决办法，既能和transformer表现一样好，又能在推理阶段计算复杂度很低。

这些方法大概分类三类：一是代替transformer非线性注意力机制的线性注意力，二是牺牲并行训练，但是推理效率高的循环模型，三是寻找一种其他机制代替注意力机制。但是都不成功。

RetNet整体结构：

X是每层的输入序列，LN是LayerNorm

MSR：multi-scale retention

RetNet是L个单独模块堆叠，每个模块包含MSR和FFN两部分。

考虑循环模型序列建模问题，可以表示为：

其中，Sn是隐层，Vn是输入。

By absorbing A into WQ and WK，把方程写为：

γ简化为标量：

retention layer定义为：