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：
