CMU、谷歌大腦的研究者最新提出萬(wàn)用NLP模型Transformer的升級(jí)版

CMU、谷歌大腦的研究者最新提出萬(wàn)用NLP模型Transformer的升級(jí)版——Transformer-XL。這個(gè)新架構(gòu)在5個(gè)數(shù)據(jù)集上都獲得了強(qiáng)大的結(jié)果，在評(píng)估中甚至比原始Transformer快1800+倍。研究人員公開(kāi)了代碼、預(yù)訓(xùn)練模型和超參數(shù)。

Transformer是谷歌在2017年提出的一個(gè)革新性的NLP框架，相信大家對(duì)那篇經(jīng)典論文吸睛的標(biāo)題仍印象深刻：Attention Is All You Need。

自那以來(lái)，業(yè)內(nèi)人士表示，在機(jī)器翻譯領(lǐng)域，Transformer 已經(jīng)幾乎全面取代 RNN。總之 Transformer 確實(shí)是一個(gè)非常有效且應(yīng)用廣泛的結(jié)構(gòu)，應(yīng)該可以算是自 seq2seq 之后又一次 “革命”。

最近，CMU的Zihang Dai，Yiming Yang，Jaime Carbonell，Ruslan Salakhutdinov，以及谷歌的Zhilin Yang(楊值麟)，William W. Cohen和Quoc V. Le等人提出了Transformer的升級(jí)版——Transformer-XL。這篇論文最初投給ICLR 2019，最新放在arXiv的版本更新了更好的結(jié)果，并公開(kāi)了代碼、預(yù)訓(xùn)練模型和超參數(shù)。

論文地址：

https://arxiv.org/pdf/1901.02860.pdf

Transformer網(wǎng)絡(luò)具有學(xué)習(xí)較長(zhǎng)期依賴關(guān)系的潛力，但是在語(yǔ)言建模的設(shè)置中受到固定長(zhǎng)度上下文(fixed-length context)的限制。

作為一種解決方案，這篇論文提出一種新的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)——Transformer-XL，它使Transformer能夠在不破壞時(shí)間一致性的情況下學(xué)習(xí)固定長(zhǎng)度以外的依賴性。

具體來(lái)說(shuō)，Transformer-XL由一個(gè)segment-level的遞歸機(jī)制和一種新的位置編碼方案組成。這一方法不僅能夠捕獲長(zhǎng)期依賴關(guān)系，而且解決了上下文碎片的問(wèn)題。

實(shí)驗(yàn)結(jié)果表明， Transformer-XL學(xué)習(xí)的依賴關(guān)系比RNN長(zhǎng)80%，比vanilla Transformer長(zhǎng)450%，在短序列和長(zhǎng)序列上都獲得了更好的性能，并且在評(píng)估中比vanilla Transformer快1800+倍。

此外，Transformer-XL在5個(gè)數(shù)據(jù)集上都獲得了強(qiáng)大的結(jié)果。研究人員在enwiki8上將bpc/perplexity的最新 state-of-the-art(SoTA)結(jié)果從1.06提高到0.99，在text8上從1.13提高到1.08，在WikiText-103上從20.5提高到18.3，在One Billion Word, 上從23.7提高到21.8，在Penn Treebank上從55.3提高到54.5。

他們公布了代碼、預(yù)訓(xùn)練模型和超參數(shù)，在Tensorflow和PyTorch中都可用。

Transformer-XL模型架構(gòu)

為了解決前面提到的固定長(zhǎng)度上下文的限制，Transformer-XL這個(gè)新架構(gòu)(其中XL表示extra long)將遞歸(recurrence)的概念引入到self-attention網(wǎng)絡(luò)中。

具體來(lái)說(shuō)，我們不再?gòu)念^開(kāi)始計(jì)算每個(gè)新的段(segment)的隱藏狀態(tài)，而是重用(reuse)在前一段中獲得的隱藏狀態(tài)。被重用的隱藏狀態(tài)用作當(dāng)前段的memory，這就在段之間建立一個(gè)循環(huán)連接。

因此，建模非常長(zhǎng)期的依賴關(guān)系成為可能，因?yàn)?a target="_blank">信息可以通過(guò)循環(huán)連接傳播。同時(shí)，從上一段傳遞信息也可以解決上下文碎片(context fragmentation)的問(wèn)題。

更重要的是，我們展示了使用相對(duì)位置編碼而不是絕對(duì)位置編碼的必要性，以便在不造成時(shí)間混亂的情況下實(shí)現(xiàn)狀態(tài)重用。因此，我們提出了一個(gè)簡(jiǎn)單但更有效的相對(duì)位置編碼公式，該公式可以推廣到比訓(xùn)練中觀察到的更長(zhǎng)的attention lengths。

原始Transformer模型

為了將Transformer或self-attention應(yīng)用到語(yǔ)言建模中，核心問(wèn)題是如何訓(xùn)練Transformer有效地將任意長(zhǎng)的上下文編碼為固定大小的表示。給定無(wú)限內(nèi)存和計(jì)算，一個(gè)簡(jiǎn)單的解決方案是使用無(wú)條件Transformer解碼器處理整個(gè)上下文序列，類似于前饋神經(jīng)網(wǎng)絡(luò)。然而，在實(shí)踐中，由于資源有限，這通常是不可行的。

圖1：一個(gè)segment長(zhǎng)度為4的vanilla model的圖示

一種可行但比較粗略的近似方法是將整個(gè)語(yǔ)料庫(kù)分割成可管理大小的更短的片段，只在每個(gè)片段中訓(xùn)練模型，忽略來(lái)自前一段的所有上下文信息。這是Al-Rfou et al(2018)提出的想法，我們稱之為原始模型(vanilla model)，它的圖示如圖1a。

在評(píng)估過(guò)程中，vanilla 模型在每個(gè)步驟都消耗與訓(xùn)練期間相同長(zhǎng)度的一個(gè)segment，但是在最后一個(gè)位置只是進(jìn)行一次預(yù)測(cè)。然后，在下一步中，這個(gè)segment只向右移動(dòng)一個(gè)位置，新的segment必須從頭開(kāi)始處理。

如圖1b所示，該過(guò)程保證了每個(gè)預(yù)測(cè)在訓(xùn)練過(guò)程中利用的上下文盡可能長(zhǎng)，同時(shí)也緩解了訓(xùn)練過(guò)程中遇到的上下文碎片問(wèn)題。然而，這個(gè)評(píng)估過(guò)程成本是非常高的。

接下來(lái)，我們將展示我們所提出的架構(gòu)能夠大大提高評(píng)估速度。

Transformer-XL

為了解決固定長(zhǎng)度上下文的局限性，我們建議在Transformer架構(gòu)中引入一種遞歸機(jī)制(recurrence mechanism)。

在訓(xùn)練過(guò)程中，對(duì)上一個(gè)segment計(jì)算的隱藏狀態(tài)序列進(jìn)行修復(fù)，并在模型處理下一個(gè)新的segment時(shí)將其緩存為可重用的擴(kuò)展上下文，如圖2a所示。

圖2：一個(gè)segment長(zhǎng)度為4的Transformer-XL模型

這種遞歸機(jī)制應(yīng)用于整個(gè)語(yǔ)料庫(kù)的每?jī)蓚€(gè)連續(xù)的segment，它本質(zhì)上是在隱藏狀態(tài)中創(chuàng)建一個(gè)segment-level 的遞歸。因此，所使用的有效上下文可以遠(yuǎn)遠(yuǎn)超出兩個(gè)segments。

除了實(shí)現(xiàn)超長(zhǎng)的上下文和解決碎片問(wèn)題外，這種遞歸方案的另一個(gè)好處是顯著加快了評(píng)估速度。

具體地說(shuō)，在評(píng)估期間，可以重用前面部分的表示，而不是像普通模型那樣從頭開(kāi)始計(jì)算。在enwiki8數(shù)據(jù)集的實(shí)驗(yàn)中，Transformer-XL在評(píng)估過(guò)程比普通模型快1800倍以上。

實(shí)驗(yàn)和結(jié)果

我們將Transformer-XL應(yīng)用于單詞級(jí)和字符級(jí)語(yǔ)言建模的各種數(shù)據(jù)集，與state-of-the-art 的系統(tǒng)進(jìn)行了比較，包括WikiText-103 (Merity et al., 2016), enwiki8 (LLC, 2009), text8 (LLC, 2009), One Billion Word (Chelba et al., 2013), 以及 Penn Treebank (Mikolov & Zweig, 2012).

實(shí)驗(yàn)結(jié)果表明， Transformer-XL學(xué)習(xí)的依賴關(guān)系比RNN長(zhǎng)80%，比vanilla Transformer長(zhǎng)450%，在短序列和長(zhǎng)序列上都獲得了更好的性能，并且在評(píng)估中比vanilla Transformer快1800+倍。

表1：在WikiText-103上與SoTA結(jié)果的比較

表2：在enwiki8上與SoTA結(jié)果的比較

表3：在text8上與SoTA結(jié)果的比較

表4：在One Billion Word上與SoTA結(jié)果的比較

表5：在Penn Treebank上與SoTA結(jié)果的比較

Transformer-XL在5個(gè)數(shù)據(jù)集上都獲得了強(qiáng)大的結(jié)果。研究人員在enwiki8上將bpc/perplexity的最新 state-of-the-art(SoTA)結(jié)果從1.06提高到0.99，在text8上從1.13提高到1.08，在WikiText-103上從20.5提高到18.3，在One Billion Word上從23.7提高到21.8，在Penn Treebank上從55.3提高到54.5。

評(píng)估速度

最后，我們將模型的評(píng)估速度與vanilla Transformer模型進(jìn)行了比較。

如表9所示，與Al-Rfou et al. (2018).的架構(gòu)相比，由于state reuse方案，Transformer-XL的評(píng)估速度加快了高達(dá)1874倍。

表9：評(píng)估時(shí)間比較

結(jié)論

我們提出了一種新的架構(gòu)，Transformer-XL，這是一個(gè)超出了固定長(zhǎng)度的上下文限制的self-attention的語(yǔ)言建模架構(gòu)。

我們的主要技術(shù)貢獻(xiàn)包括在一個(gè)純粹的 self-attentive 模型中引入遞歸的概念，并推導(dǎo)出一種新的位置編碼方案。這兩種技術(shù)形成了一套完整的解決方案，因?yàn)樗鼈冎械娜魏我环N單獨(dú)都不能解決固定長(zhǎng)度上下文的問(wèn)題。

Transformer-XL是第一個(gè)在字符級(jí)和單詞級(jí)語(yǔ)言建模方面都取得了比RNN更好結(jié)果的self-attention模型。Transformer-XL還能夠建模比RNN和Transformer更長(zhǎng)期的依賴關(guān)系，并且與vanilla Transformers相比在評(píng)估過(guò)程中取得了顯著的加速。