Transformer一統(tǒng)江湖：自然語言處理三大特征抽取器比較

自然語言處理中的三大特征處理器：RNN、CNN、Transformer，它們目前誰各方面占據(jù)優(yōu)勢?未來誰又更有前途呢？這篇文章用目前的各種實(shí)驗(yàn)數(shù)據(jù)給出了說明，結(jié)論是：放棄幻想，全面擁抱Transformer。

在辭舊迎新的時(shí)刻，大家都在忙著回顧過去一年的成績（或者在灶臺前含淚數(shù)鍋），并對 2019 做著規(guī)劃，當(dāng)然也有不少朋友執(zhí)行力和工作效率比較高，直接把 2018 年初制定的計(jì)劃拷貝一下，就能在 3 秒鐘內(nèi)完成 2019 年計(jì)劃的制定，在此表示祝賀。2018 年從經(jīng)濟(jì)角度講，對于所有人可能都是比較難過的一年，而對于自然語言處理領(lǐng)域來說，2018 年無疑是個(gè)收獲頗豐的年頭，而諸多技術(shù)進(jìn)展如果只能選擇一項(xiàng)來講的話，那么當(dāng)之無愧的應(yīng)該就是Bert 模型了。

在上一篇介紹 Bert 的文章 “從 Word Embedding 到 Bert 模型—自然語言處理中的預(yù)訓(xùn)練技術(shù)發(fā)展史”[1]里，我曾大言不慚地宣稱如下兩個(gè)個(gè)人判斷：一個(gè)是Bert 這種兩階段的模式（預(yù)訓(xùn)練 + Finetuning）必將成為 NLP 領(lǐng)域研究和工業(yè)應(yīng)用的流行方法；第二個(gè)是從 NLP 領(lǐng)域的特征抽取器角度來說，Transformer 會逐步取代 RNN 成為最主流的的特征抽取器。關(guān)于特征抽取器方面的判斷，上面文章限于篇幅，只是給了一個(gè)結(jié)論，并未給出具備誘惑力的說明，看過我文章的人都知道我不是一個(gè)隨便下結(jié)論的人（那位正在補(bǔ)充下一句：“你隨便起來不是……” 的同學(xué)請住口，請不要泄露國家機(jī)密，你可以繼續(xù)睡覺，吵到其它同學(xué)也沒有關(guān)系，哈哈），但是為什么當(dāng)時(shí)我會下這個(gè)結(jié)論呢？本文可以看做是上文的一個(gè)外傳，會給出比較詳實(shí)的證據(jù)來支撐之前給出的結(jié)論。

如果對目前NLP 里的三大特征抽取器的未來走向趨勢做個(gè)宏觀判斷的話，我的判斷是這樣的：

RNN人老珠黃，已經(jīng)基本完成它的歷史使命，將來會逐步退出歷史舞臺；

CNN如果改造得當(dāng)，將來還是有希望有自己在 NLP 領(lǐng)域的一席之地，如果改造成功程度超出期望，那么還有一絲可能作為割據(jù)一方的軍閥，繼續(xù)生存壯大，當(dāng)然我認(rèn)為這個(gè)希望不大，可能跟宋小寶打籃球把姚明打哭的概率相當(dāng)；

而新歡Transformer明顯會很快成為 NLP 里擔(dān)當(dāng)大任的最主流的特征抽取器。

至于將來是否會出現(xiàn)新的特征抽取器，一槍將 Tranformer 挑落馬下，繼而取而代之成為新的特征抽取山大王？這種擔(dān)憂其實(shí)是挺有必要的，畢竟李商隱在一千年前就告誡過我們說：“君恩如水向東流，得寵憂移失寵愁。 莫向樽前奏花落，涼風(fēng)只在殿西頭?！?當(dāng)然這首詩看樣子目前送給 RNN 是比較貼切的，至于未來 Transformer 是否會失寵？這個(gè)問題的答案基本可以是肯定的，無非這個(gè)時(shí)刻的來臨是 3 年之后，還是 1 年之后出現(xiàn)而已。當(dāng)然，我希望如果是在讀這篇文章的你，或者是我，在未來的某一天，從街頭拉來一位長相普通的淑女，送到韓國整容，一不小心偏離流水線整容工業(yè)的美女模板，整出一位天香國色的絕色，來把 Transformer 打入冷宮，那是最好不過。但是在目前的狀態(tài)下，即使是打著望遠(yuǎn)鏡，貌似還沒有看到有這種資質(zhì)的候選人出現(xiàn)在我們的視野之內(nèi)。

我知道如果是一位嚴(yán)謹(jǐn)?shù)难邪l(fā)人員，不應(yīng)該在目前局勢還沒那么明朗的時(shí)候做出如上看似有些武斷的明確結(jié)論，所以這種說法可能會引起爭議。但是這確實(shí)就是我目前的真實(shí)想法，至于根據(jù)什么得出的上述判斷？這種判斷是否有依據(jù)？依據(jù)是否充分？相信你在看完這篇文章可以有個(gè)屬于自己的結(jié)論。

可能談到這里，有些平常吃虧吃的少所以喜歡挑刺的同學(xué)會質(zhì)疑說：你憑什么說 NLP 的典型特征抽取器就這三種呢？你置其它知名的特征抽取器比如 Recursive NN 于何地? 嗯，是，很多介紹 NLP 重要進(jìn)展的文章里甚至把 Recursive NN 當(dāng)做一項(xiàng) NLP 里的重大進(jìn)展，除了它，還有其它的比如 Memory Network 也享受這種部局級尊貴待遇。但是我一直都不太看好這兩個(gè)技術(shù)，而且不看好很多年了，目前情形更堅(jiān)定了這個(gè)看法。而且我免費(fèi)奉勸你一句，沒必要在這兩個(gè)技術(shù)上浪費(fèi)時(shí)間，至于為什么，因?yàn)楦疚闹黝}無關(guān)，以后有機(jī)會再詳細(xì)說。

上面是結(jié)論，下面，我們正式進(jìn)入舉證階段。

戰(zhàn)場偵查：NLP 任務(wù)的特點(diǎn)及任務(wù)類型

NLP 任務(wù)的特點(diǎn)和圖像有極大的不同，上圖展示了一個(gè)例子，NLP 的輸入往往是一句話或者一篇文章，所以它有幾個(gè)特點(diǎn)：首先，輸入是個(gè)一維線性序列，這個(gè)好理解；其次，輸入是不定長的，有的長有的短，而這點(diǎn)其實(shí)對于模型處理起來也會增加一些小麻煩；再次，單詞或者子句的相對位置關(guān)系很重要，兩個(gè)單詞位置互換可能導(dǎo)致完全不同的意思。如果你聽到我對你說：“你欠我那一千萬不用還了” 和 “我欠你那一千萬不用還了”，你聽到后分別是什么心情？兩者區(qū)別了解一下；另外，句子中的長距離特征對于理解語義也非常關(guān)鍵，例子參考上圖標(biāo)紅的單詞，特征抽取器能否具備長距離特征捕獲能力這一點(diǎn)對于解決 NLP 任務(wù)來說也是很關(guān)鍵的。

上面這幾個(gè)特點(diǎn)請記清，一個(gè)特征抽取器是否適配問題領(lǐng)域的特點(diǎn)，有時(shí)候決定了它的成敗，而很多模型改進(jìn)的方向，其實(shí)就是改造得使得它更匹配領(lǐng)域問題的特性。這也是為何我在介紹 RNN、CNN、Transformer 等特征抽取器之前，先說明這些內(nèi)容的原因。

NLP 是個(gè)很寬泛的領(lǐng)域，包含了幾十個(gè)子領(lǐng)域，理論上只要跟語言處理相關(guān)，都可以納入這個(gè)范圍。但是如果我們對大量 NLP 任務(wù)進(jìn)行抽象的話，會發(fā)現(xiàn)絕大多數(shù) NLP 任務(wù)可以歸結(jié)為幾大類任務(wù)。兩個(gè)看似差異很大的任務(wù)，在解決任務(wù)的模型角度，可能完全是一樣的。

通常而言，絕大部分 NLP 問題可以歸入上圖所示的四類任務(wù)中：

一類是序列標(biāo)注，這是最典型的 NLP 任務(wù)，比如中文分詞，詞性標(biāo)注，命名實(shí)體識別，語義角色標(biāo)注等都可以歸入這一類問題，它的特點(diǎn)是句子中每個(gè)單詞要求模型根據(jù)上下文都要給出一個(gè)分類類別。

第二類是分類任務(wù)，比如我們常見的文本分類，情感計(jì)算等都可以歸入這一類。它的特點(diǎn)是不管文章有多長，總體給出一個(gè)分類類別即可。

第三類任務(wù)是句子關(guān)系判斷，比如 Entailment，QA，語義改寫，自然語言推理等任務(wù)都是這個(gè)模式，它的特點(diǎn)是給定兩個(gè)句子，模型判斷出兩個(gè)句子是否具備某種語義關(guān)系；

第四類是生成式任務(wù)，比如機(jī)器翻譯，文本摘要，寫詩造句，看圖說話等都屬于這一類。它的特點(diǎn)是輸入文本內(nèi)容后，需要自主生成另外一段文字。

解決這些不同的任務(wù)，從模型角度來講什么最重要？是特征抽取器的能力。尤其是深度學(xué)習(xí)流行開來后，這一點(diǎn)更凸顯出來。因?yàn)樯疃葘W(xué)習(xí)最大的優(yōu)點(diǎn)是 “端到端（end to end）”，當(dāng)然這里不是指的從客戶端到云端，意思是以前研發(fā)人員得考慮設(shè)計(jì)抽取哪些特征，而端到端時(shí)代后，這些你完全不用管，把原始輸入扔給好的特征抽取器，它自己會把有用的特征抽取出來。

身為資深 Bug 制造者和算法工程師，你現(xiàn)在需要做的事情就是：選擇一個(gè)好的特征抽取器，選擇一個(gè)好的特征抽取器，選擇一個(gè)好的特征抽取器，喂給它大量的訓(xùn)練數(shù)據(jù)，設(shè)定好優(yōu)化目標(biāo)（loss function），告訴它你想讓它干嘛…….. 然后你覺得你啥也不用干等結(jié)果就行了是吧？那你是我見過的整個(gè)宇宙中最樂觀的人……. 你大量時(shí)間其實(shí)是用在調(diào)參上…….。從這個(gè)過程可以看出，如果我們有個(gè)強(qiáng)大的特征抽取器，那么中初級算法工程師淪為調(diào)參俠也就是個(gè)必然了，在 AutoML（自動那啥）流行的年代，也許以后你想當(dāng)調(diào)參俠而不得，李斯說的 “吾欲與若復(fù)牽黃犬，俱出上蔡東門逐狡兔，豈可得乎！” 請了解一下。所以請珍惜你半夜兩點(diǎn)還在調(diào)整超參的日子吧，因?yàn)閷τ谀銇碚f有一個(gè)好消息一個(gè)壞消息，好消息是：對于你來說可能這樣辛苦的日子不多了！壞消息是：對于你來說可能這樣辛苦的日子不多了?。。∧敲丛趺床拍艹蔀樗惴ǜ呤?？你去設(shè)計(jì)一個(gè)更強(qiáng)大的特征抽取器呀。

下面開始分?jǐn)⑷筇卣鞒槿∑鳌?/p>

沙場老將 RNN：廉頗老矣，尚能飯否

RNN 模型我估計(jì)大家都熟悉，就不詳細(xì)介紹了，模型結(jié)構(gòu)參考上圖，核心是每個(gè)輸入對應(yīng)隱層節(jié)點(diǎn)，而隱層節(jié)點(diǎn)之間形成了線性序列，信息由前向后在隱層之間逐步向后傳遞。我們下面直接進(jìn)入我想講的內(nèi)容。

為何 RNN 能夠成為解決 NLP 問題的主流特征抽取器

我們知道，RNN 自從引入 NLP 界后，很快就成為吸引眼球的明星模型，在 NLP 各種任務(wù)中被廣泛使用。但是原始的 RNN 也存在問題，它采取線性序列結(jié)構(gòu)不斷從前往后收集輸入信息，但這種線性序列結(jié)構(gòu)在反向傳播的時(shí)候存在優(yōu)化困難問題，因?yàn)榉聪騻鞑ヂ窂教L，容易導(dǎo)致嚴(yán)重的梯度消失或梯度爆炸問題。為了解決這個(gè)問題，后來引入了 LSTM 和 GRU 模型，通過增加中間狀態(tài)信息直接向后傳播，以此緩解梯度消失問題，獲得了很好的效果，于是很快 LSTM 和 GRU 成為 RNN 的標(biāo)準(zhǔn)模型。其實(shí)圖像領(lǐng)域最早由 HighwayNet/Resnet 等導(dǎo)致模型革命的 skip connection 的原始思路就是從 LSTM 的隱層傳遞機(jī)制借鑒來的。經(jīng)過不斷優(yōu)化，后來 NLP 又從圖像領(lǐng)域借鑒并引入了 attention 機(jī)制（從這兩個(gè)過程可以看到不同領(lǐng)域的相互技術(shù)借鑒與促進(jìn)作用），疊加網(wǎng)絡(luò)把層深作深，以及引入 Encoder-Decoder 框架，這些技術(shù)進(jìn)展極大拓展了 RNN 的能力以及應(yīng)用效果。下圖展示的模型就是非常典型的使用 RNN 來解決 NLP 任務(wù)的通用框架技術(shù)大禮包，在更新的技術(shù)出現(xiàn)前，你可以在 NLP 各種領(lǐng)域見到這個(gè)技術(shù)大禮包的身影。

上述內(nèi)容簡單介紹了 RNN 在 NLP 領(lǐng)域的大致技術(shù)演進(jìn)過程。那么為什么 RNN 能夠這么快在 NLP 流行并且占據(jù)了主導(dǎo)地位呢？主要原因還是因?yàn)?RNN 的結(jié)構(gòu)天然適配解決 NLP 的問題，NLP 的輸入往往是個(gè)不定長的線性序列句子，而 RNN 本身結(jié)構(gòu)就是個(gè)可以接納不定長輸入的由前向后進(jìn)行信息線性傳導(dǎo)的網(wǎng)絡(luò)結(jié)構(gòu)，而在 LSTM 引入三個(gè)門后，對于捕獲長距離特征也是非常有效的。所以 RNN 特別適合 NLP 這種線形序列應(yīng)用場景，這是 RNN 為何在 NLP 界如此流行的根本原因。

RNN 在新時(shí)代面臨的兩個(gè)嚴(yán)重問題

RNN 在 NLP 界一直紅了很多年（2014-2018？），在 2018 年之前，大部分各個(gè)子領(lǐng)域的 State of Art 的結(jié)果都是 RNN 獲得的。但是最近一年來，眼看著 RNN 的領(lǐng)袖群倫的地位正在被動搖，所謂各領(lǐng)風(fēng)騷 3-5 年，看來網(wǎng)紅模型也不例外。

那這又是因?yàn)槭裁茨?？主要有兩個(gè)原因。

第一個(gè)原因在于一些后起之秀新模型的崛起，比如經(jīng)過特殊改造的 CNN 模型，以及最近特別流行的 Transformer，這些后起之秀尤其是 Transformer 的應(yīng)用效果相比 RNN 來說，目前看具有明顯的優(yōu)勢。這是個(gè)主要原因，老人如果干不過新人，又沒有脫胎換骨自我革命的能力，自然要自覺或不自愿地退出歷史舞臺，這是自然規(guī)律。至于 RNN 能力偏弱的具體證據(jù)，本文后面會專門談，這里不展開講。當(dāng)然，技術(shù)人員里的 RNN ?；逝蓚?，這個(gè)群體規(guī)模應(yīng)該還是相當(dāng)大的，他們不會輕易放棄曾經(jīng)這么熱門過的流量明星的，所以也想了或者正在想一些改進(jìn)方法，試圖給 RNN 延年益壽。至于這些方法是什么，有沒有作用，后面也陸續(xù)會談。

另外一個(gè)嚴(yán)重阻礙 RNN 將來繼續(xù)走紅的問題是：RNN 本身的序列依賴結(jié)構(gòu)對于大規(guī)模并行計(jì)算來說相當(dāng)之不友好。通俗點(diǎn)說，就是 RNN 很難具備高效的并行計(jì)算能力，這個(gè)乍一看好像不是太大的問題，其實(shí)問題很嚴(yán)重。如果你僅僅滿足于通過改 RNN 發(fā)一篇論文，那么這確實(shí)不是大問題，但是如果工業(yè)界進(jìn)行技術(shù)選型的時(shí)候，在有快得多的模型可用的前提下，是不太可能選擇那么慢的模型的。一個(gè)沒有實(shí)際落地應(yīng)用支撐其存在價(jià)值的模型，其前景如何這個(gè)問題，估計(jì)用小腦思考也能得出答案。

那問題來了：為什么 RNN 并行計(jì)算能力比較差？是什么原因造成的？

我們知道，RNN 之所以是 RNN，能將其和其它模型區(qū)分開的最典型標(biāo)志是：T 時(shí)刻隱層狀態(tài)的計(jì)算，依賴兩個(gè)輸入，一個(gè)是 T 時(shí)刻的句子輸入單詞 Xt，這個(gè)不算特點(diǎn)，所有模型都要接收這個(gè)原始輸入；關(guān)鍵的是另外一個(gè)輸入，T 時(shí)刻的隱層狀態(tài) St 還依賴 T-1 時(shí)刻的隱層狀態(tài) S(t-1) 的輸出，這是最能體現(xiàn) RNN 本質(zhì)特征的一點(diǎn)，RNN 的歷史信息是通過這個(gè)信息傳輸渠道往后傳輸?shù)?，示意參考上圖。那么為什么 RNN 的并行計(jì)算能力不行呢？問題就出在這里。因?yàn)?T 時(shí)刻的計(jì)算依賴 T-1 時(shí)刻的隱層計(jì)算結(jié)果，而 T-1 時(shí)刻的計(jì)算依賴 T-2 時(shí)刻的隱層計(jì)算結(jié)果…….. 這樣就形成了所謂的序列依賴關(guān)系。就是說只能先把第 1 時(shí)間步的算完，才能算第 2 時(shí)間步的結(jié)果，這就造成了 RNN 在這個(gè)角度上是無法并行計(jì)算的，只能老老實(shí)實(shí)地按著時(shí)間步一個(gè)單詞一個(gè)單詞往后走。

而 CNN 和 Transformer 就不存在這種序列依賴問題，所以對于這兩者來說并行計(jì)算能力就不是問題，每個(gè)時(shí)間步的操作可以并行一起計(jì)算。

那么能否針對性地對 RNN 改造一下，提升它的并行計(jì)算能力呢？如果可以的話，效果如何呢？下面我們討論一下這個(gè)問題。

如何改造 RNN 使其具備并行計(jì)算能力？

上面說過，RNN 不能并行計(jì)算的癥結(jié)所在，在于 T 時(shí)刻對 T-1 時(shí)刻計(jì)算結(jié)果的依賴，而這體現(xiàn)在隱層之間的全連接網(wǎng)絡(luò)上。既然癥結(jié)在這里，那么要想解決問題，也得在這個(gè)環(huán)節(jié)下手才行。在這個(gè)環(huán)節(jié)多做點(diǎn)什么事情能夠增加 RNN 的并行計(jì)算能力呢？你可以想一想。

其實(shí)留給你的選項(xiàng)并不多，你可以有兩個(gè)大的思路來改進(jìn)：一種是仍然保留任意連續(xù)時(shí)間步（T-1 到 T 時(shí)刻）之間的隱層連接；而另外一種是部分地打斷連續(xù)時(shí)間步（T-1 到 T 時(shí)刻）之間的隱層連接 。

我們先來看第一種方法，現(xiàn)在我們的問題轉(zhuǎn)化成了：我們?nèi)匀灰Ａ羧我膺B續(xù)時(shí)間步（T-1 到 T 時(shí)刻）之間的隱層連接，但是在這個(gè)前提下，我們還要能夠做到并行計(jì)算，這怎么處理呢？因?yàn)橹灰Ａ暨B續(xù)兩個(gè)時(shí)間步的隱層連接，則意味著要計(jì)算 T 時(shí)刻的隱層結(jié)果，就需要 T-1 時(shí)刻隱層結(jié)果先算完，這不又落入了序列依賴的陷阱里了嗎？嗯，確實(shí)是這樣，但是為什么一定要在不同時(shí)間步的輸入之間并行呢？沒有人說 RNN 的并行計(jì)算一定發(fā)生在不同時(shí)間步上啊，你想想，隱層是不是也是包含很多神經(jīng)元？那么在隱層神經(jīng)元之間并行計(jì)算行嗎？如果你要是還沒理解這是什么意思，那請看下圖。

上面的圖只顯示了各個(gè)時(shí)間步的隱層節(jié)點(diǎn)，每個(gè)時(shí)間步的隱層包含 3 個(gè)神經(jīng)元，這是個(gè)俯視圖，是從上往下看 RNN 的隱層節(jié)點(diǎn)的。另外，連續(xù)兩個(gè)時(shí)間步的隱層神經(jīng)元之間仍然有連接，上圖沒有畫出來是為了看著簡潔一些。這下應(yīng)該明白了吧，假設(shè)隱層神經(jīng)元有 3 個(gè)，那么我們可以形成 3 路并行計(jì)算（紅色箭頭分隔開成了三路），而每一路因?yàn)槿匀淮嬖谛蛄幸蕾噯栴}，所以每一路內(nèi)仍然是串行的。大思路應(yīng)該明白了是吧？但是了解 RNN 結(jié)構(gòu)的同學(xué)會發(fā)現(xiàn)這樣還遺留一個(gè)問題：隱層神經(jīng)元之間的連接是全連接，就是說 T 時(shí)刻某個(gè)隱層神經(jīng)元與 T-1 時(shí)刻所有隱層神經(jīng)元都有連接，如果是這樣，是無法做到在神經(jīng)元之間并行計(jì)算的，你可以想想為什么，這個(gè)簡單，我假設(shè)你有能力想明白。那么怎么辦呢？很簡單，T 時(shí)刻和 T-1 時(shí)刻的隱層神經(jīng)元之間的連接關(guān)系需要改造，從之前的全連接，改造成對應(yīng)位置的神經(jīng)元（就是上圖被紅箭頭分隔到同一行的神經(jīng)元之間）有連接，和其它神經(jīng)元沒有連接。這樣就可以解決這個(gè)問題，在不同路的隱層神經(jīng)元之間可以并行計(jì)算了。

第一種改造 RNN 并行計(jì)算能力的方法思路大致如上所述，這種方法的代表就是論文 “Simple Recurrent Units for Highly Parallelizable Recurrence” 中提出的SRU 方法，它最本質(zhì)的改進(jìn)是把隱層之間的神經(jīng)元依賴由全連接改成了哈達(dá)馬乘積，這樣 T 時(shí)刻隱層單元本來對 T-1 時(shí)刻所有隱層單元的依賴，改成了只是對 T-1 時(shí)刻對應(yīng)單元的依賴，于是可以在隱層單元之間進(jìn)行并行計(jì)算，但是收集信息仍然是按照時(shí)間序列來進(jìn)行的。所以其并行性是在隱層單元之間發(fā)生的，而不是在不同時(shí)間步之間發(fā)生的。

這其實(shí)是比較巧妙的一種方法，但是它的問題在于其并行程度上限是有限的，并行程度取決于隱層神經(jīng)元個(gè)數(shù)，而一般這個(gè)數(shù)值往往不會太大，再增加并行性已經(jīng)不太可能。另外每一路并行線路仍然需要序列計(jì)算，這也會拖慢整體速度。SRU 的測試速度為：在文本分類上和原始 CNN（Kim 2014）的速度相當(dāng)，論文沒有說 CNN 是否采取了并行訓(xùn)練方法。 其它在復(fù)雜任務(wù)閱讀理解及 MT 任務(wù)上只做了效果評估，沒有和 CNN 進(jìn)行速度比較，我估計(jì)這是有原因的，因?yàn)閺?fù)雜任務(wù)往往需要深層網(wǎng)絡(luò)，其它的就不妄作猜測了。

第二種改進(jìn)典型的思路是：為了能夠在不同時(shí)間步輸入之間進(jìn)行并行計(jì)算，那么只有一種做法，那就是打斷隱層之間的連接，但是又不能全打斷，因?yàn)檫@樣基本就無法捕獲組合特征了，所以唯一能選的策略就是部分打斷，比如每隔 2 個(gè)時(shí)間步打斷一次，但是距離稍微遠(yuǎn)點(diǎn)的特征如何捕獲呢？只能加深層深，通過層深來建立遠(yuǎn)距離特征之間的聯(lián)系。代表性模型比如上圖展示的 Sliced RNN。我當(dāng)初看到這個(gè)模型的時(shí)候，心里忍不住發(fā)出杠鈴般的笑聲，情不自禁地走上前跟他打了個(gè)招呼：你好呀，CNN 模型，想不到你這個(gè)糙漢子有一天也會穿上粉色裙裝，裝扮成 RNN 的樣子出現(xiàn)在我面前啊，哈哈。了解 CNN 模型的同學(xué)看到我上面這句話估計(jì)會莞爾會心一笑：這不就是簡化版本的 CNN 嗎？不了解 CNN 的同學(xué)建議看完后面 CNN 部分再回頭來看看是不是這個(gè)意思。

那經(jīng)過這種改造的 RNN 速度改進(jìn)如何呢？論文給出了速度對比實(shí)驗(yàn)，歸納起來，SRNN 速度比 GRU 模型快 5 到 15 倍，嗯，效果不錯(cuò)，但是跟對比模型 DC-CNN 模型速度比較起來，比 CNN 模型仍然平均慢了大約 3 倍。這很正常但是又有點(diǎn)說不太過去，說正常是因?yàn)楸緛磉@就是把 RNN 改頭換面成類似 CNN 的結(jié)構(gòu)，而片段里仍然采取 RNN 序列模型，所以必然會拉慢速度，比 CNN 慢再正常不過了。說 “說不過去” 是指的是：既然本質(zhì)上是 CNN，速度又比 CNN 慢，那么這么改的意義在哪里？為什么不直接用 CNN 呢？是不是？前面那位因?yàn)槌蕴澇缘纳偎詯厶Ц艿耐瑢W(xué)又會說了：也許人家效果特別好呢。嗯，從這個(gè)結(jié)構(gòu)的作用機(jī)制上看，可能性不太大。你說論文實(shí)驗(yàn)部分證明了這一點(diǎn)呀，我認(rèn)為實(shí)驗(yàn)部分對比試驗(yàn)做的不充分，需要補(bǔ)充除了 DC-CNN 外的其他 CNN 模型進(jìn)行對比。當(dāng)然這點(diǎn)純屬個(gè)人意見，別當(dāng)真，因?yàn)槲抑v起話來的時(shí)候經(jīng)常搖頭晃腦，此時(shí)一般會有人驚奇地跟我反饋說：為什么你一講話我就聽到了水聲？

上面列舉了兩種大的改進(jìn) RNN 并行計(jì)算能力的思路，我個(gè)人對于 RNN 的并行計(jì)算能力持悲觀態(tài)度，主要因?yàn)?RNN 本質(zhì)特性決定了我們能做的選擇太少。無非就是選擇打斷還是不打斷隱層連接的問題。如果選擇打斷，就會面臨上面的問題，你會發(fā)現(xiàn)它可能已經(jīng)不是 RNN 模型了，為了讓它看上去還像是 RNN，所以在打斷片段里仍然采取 RNN 結(jié)構(gòu)，這樣無疑會拉慢速度，所以這是個(gè)兩難的選擇，與其這樣不如直接換成其它模型；如果我們選擇不打斷，貌似只能在隱層神經(jīng)元之間進(jìn)行并行，而這樣做的缺點(diǎn)是：一方面并行能力上限很低；另外一方面里面依然存在的序列依賴估計(jì)仍然是個(gè)問題。這是為何悲觀的原因，主要是看不到大的希望。

偏師之將 CNN：刺激戰(zhàn)場絕地求生

在一年多前，CNN 是自然語言處理中除了 RNN 外最常見的深度學(xué)習(xí)模型，這里介紹下 CNN 特征抽取器，會比 RNN 說得詳細(xì)些，主要考慮到大家對它的熟悉程度可能沒有 RNN 那么高。

NLP 中早期的懷舊版 CNN 模型

最早將 CNN 引入 NLP 的是 Kim 在 2014 年做的工作，論文和網(wǎng)絡(luò)結(jié)構(gòu)參考上圖。一般而言，輸入的字或者詞用Word Embedding的方式表達(dá)，這樣本來一維的文本信息輸入就轉(zhuǎn)換成了二維的輸入結(jié)構(gòu)，假設(shè)輸入 X 包含 n 個(gè)字符，而每個(gè)字符的 Word Embedding 的長度為 d，那么輸入就是 d*n 的二維向量。

卷積層本質(zhì)上是個(gè)特征抽取層，可以設(shè)定超參數(shù) F 來指定卷積層包含多少個(gè)卷積核（Filter）。對于某個(gè) Filter 來說，可以想象有一個(gè) d*k 大小的移動窗口從輸入矩陣的第一個(gè)字開始不斷往后移動，其中 k 是 Filter 指定的窗口大小，d 是 Word Embedding 長度。對于某個(gè)時(shí)刻的窗口，通過神經(jīng)網(wǎng)絡(luò)的非線性變換，將這個(gè)窗口內(nèi)的輸入值轉(zhuǎn)換為某個(gè)特征值，隨著窗口不斷往后移動，這個(gè) Filter 對應(yīng)的特征值不斷產(chǎn)生，形成這個(gè) Filter 的特征向量。這就是卷積核抽取特征的過程。卷積層內(nèi)每個(gè) Filter 都如此操作，就形成了不同的特征序列。Pooling 層則對 Filter 的特征進(jìn)行降維操作，形成最終的特征。一般在 Pooling 層之后連接全聯(lián)接層神經(jīng)網(wǎng)絡(luò)，形成最后的分類過程。

這就是最早應(yīng)用在 NLP 領(lǐng)域 CNN 模型的工作機(jī)制，用來解決 NLP 中的句子分類任務(wù)，看起來還是很簡潔的，之后陸續(xù)出現(xiàn)了在此基礎(chǔ)上的改進(jìn)模型。這些懷舊版 CNN 模型在一些任務(wù)上也能和當(dāng)時(shí)懷舊版本的 RNN 模型效果相當(dāng)，所以在 NLP 若干領(lǐng)域也能野蠻生長，但是在更多的 NLP 領(lǐng)域，還是處于被 RNN 模型壓制到抑郁癥早期的尷尬局面。那為什么在圖像領(lǐng)域打遍天下無敵手的 CNN，一旦跑到 NLP 的地盤，就被 RNN 這個(gè)地頭蛇壓制得無顏見圖像領(lǐng)域江東父老呢？這說明這個(gè)版本的 CNN 還是有很多問題的，其實(shí)最根本的癥結(jié)所在還是老革命遇到了新問題，主要是到了新環(huán)境沒有針對新環(huán)境的特性做出針對性的改變，所以面臨水土不服的問題。

CNN 能在 RNN 縱橫的各種 NLP 任務(wù)環(huán)境下生存下來嗎？謎底即將揭曉。

CNN 的進(jìn)化：物競天擇的模型斗獸場

下面我們先看看懷舊版 CNN 存在哪些問題，然后看看我們的 NLP 專家們是如何改造 CNN，一直改到目前看上去還算效果不錯(cuò)的現(xiàn)代版本 CNN 的。

首先，我們先要明確一點(diǎn)：CNN 捕獲到的是什么特征呢？從上述懷舊版本 CNN 卷積層的運(yùn)作機(jī)制你大概看出來了，關(guān)鍵在于卷積核覆蓋的那個(gè)滑動窗口，CNN 能捕獲到的特征基本都體現(xiàn)在這個(gè)滑動窗口里了。大小為 k 的滑動窗口輕輕的穿過句子的一個(gè)個(gè)單詞，蕩起陣陣漣漪，那么它捕獲了什么? 其實(shí)它捕獲到的是單詞的 k-gram 片段信息，這些 k-gram 片段就是 CNN 捕獲到的特征，k 的大小決定了能捕獲多遠(yuǎn)距離的特征。

說完這個(gè)，我們來看 Kim 版 CNN 的第一個(gè)問題：它只有一個(gè)卷積層。表面看上去好像是深度不夠的問題是吧？我會反問你說：為什么要把 CNN 作深呢？其實(shí)把深度做起來是手段，不是目的。只有一個(gè)卷積層帶來的問題是：對于遠(yuǎn)距離特征，單層 CNN 是無法捕獲到的，如果滑動窗口 k 最大為 2，而如果有個(gè)遠(yuǎn)距離特征距離是 5，那么無論上多少個(gè)卷積核，都無法覆蓋到長度為 5 的距離的輸入，所以它是無法捕獲長距離特征的。

那么怎樣才能捕獲到長距離的特征呢？有兩種典型的改進(jìn)方法：一種是假設(shè)我們?nèi)匀挥脝蝹€(gè)卷積層，滑動窗口大小 k 假設(shè)為 3，就是只接收三個(gè)輸入單詞，但是我們想捕獲距離為 5 的特征，怎么做才行？顯然，如果卷積核窗口仍然覆蓋連續(xù)區(qū)域，這肯定是完不成任務(wù)的。提示一下：你玩過跳一跳是吧？能采取類似策略嗎？對，你可以跳著覆蓋呀，是吧？這就是Dilated 卷積的基本思想，確實(shí)也是一種解決方法。

第二種方法是把深度做起來。第一層卷積層，假設(shè)滑動窗口大小 k 是 3，如果再往上疊一層卷積層，假設(shè)滑動窗口大小也是 3，但是第二層窗口覆蓋的是第一層窗口的輸出特征，所以它其實(shí)能覆蓋輸入的距離達(dá)到了 5。如果繼續(xù)往上疊加卷積層，可以繼續(xù)增大卷積核覆蓋輸入的長度。

上面是兩種典型的解決 CNN 遠(yuǎn)距離特征捕獲能力的方案，Dilated CNN 偏技巧一些，而且疊加卷積層時(shí)超參如何設(shè)置有些學(xué)問，因?yàn)檫B續(xù)跳接可能會錯(cuò)過一些特征組合，所以需要精心調(diào)節(jié)參數(shù)搭配，保證所有可能組合都被覆蓋到。相對而言，把 CNN 作深是主流發(fā)展方向。上面這個(gè)道理好理解，其實(shí)自從 CNN 一出現(xiàn)，人們就想各種辦法試圖把 CNN 的深度做起來，但是現(xiàn)實(shí)往往是無情的，發(fā)現(xiàn)怎么折騰，CNN 做 NLP 問題就是做不深，做到 2 到 3 層卷積層就做不上去了，網(wǎng)絡(luò)更深對任務(wù)效果沒什么幫助（請不要拿 CharCNN 來做反例，后來研究表明使用單詞的 2 層 CNN 效果超過 CharCNN）。目前看來，還是深層網(wǎng)絡(luò)參數(shù)優(yōu)化手段不足導(dǎo)致的這個(gè)問題，而不是層深沒有用。后來 Resnet 等圖像領(lǐng)域的新技術(shù)出現(xiàn)后，很自然地，人們會考慮把 Skip Connection 及各種 Norm 等參數(shù)優(yōu)化技術(shù)引入，這才能慢慢把 CNN 的網(wǎng)絡(luò)深度做起來。

上面說的是 Kim 版本 CNN 的第一個(gè)問題，無法捕獲遠(yuǎn)距離特征的問題，以及后面科研人員提出的主要解決方案?；仡^看 Kim 版本 CNN 還有一個(gè)問題，就是那個(gè) Max Pooling 層，這塊其實(shí)與 CNN 能否保持輸入句子中單詞的位置信息有關(guān)系。首先我想問個(gè)問題：RNN 因?yàn)槭蔷€性序列結(jié)構(gòu)，所以很自然它天然就會把位置信息編碼進(jìn)去；那么，CNN 是否能夠保留原始輸入的相對位置信息呢？我們前面說過對于 NLP 問題來說，位置信息是很有用的。其實(shí) CNN 的卷積核是能保留特征之間的相對位置的，道理很簡單，滑動窗口從左到右滑動，捕獲到的特征也是如此順序排列，所以它在結(jié)構(gòu)上已經(jīng)記錄了相對位置信息了。但是如果卷積層后面立即接上 Pooling 層的話，Max Pooling 的操作邏輯是：從一個(gè)卷積核獲得的特征向量里只選中并保留最強(qiáng)的那一個(gè)特征，所以到了 Pooling 層，位置信息就被扔掉了，這在 NLP 里其實(shí)是有信息損失的。所以在 NLP 領(lǐng)域里，目前 CNN 的一個(gè)發(fā)展趨勢是拋棄 Pooling 層，靠全卷積層來疊加網(wǎng)絡(luò)深度，這背后是有原因的（當(dāng)然圖像領(lǐng)域也是這個(gè)趨勢）。

上圖展示了在 NLP 領(lǐng)域能夠施展身手的摩登 CNN 的主體結(jié)構(gòu)，通常由 1-D 卷積層來疊加深度，使用 Skip Connection 來輔助優(yōu)化，也可以引入 Dilated CNN 等手段。比如 ConvS2S 主體就是上圖所示結(jié)構(gòu)，Encoder 包含 15 個(gè)卷積層，卷積核 kernel size=3，覆蓋輸入長度為 25。當(dāng)然對于 ConvS2S 來說，卷積核里引入 GLU 門控非線性函數(shù)也有重要幫助，限于篇幅，這里不展開說了，GLU 貌似是 NLP 里 CNN 模型必備的構(gòu)件，值得掌握。再比如 TCN（論文：An Empirical Evaluation of Generic Convolutional and Recurrent Networks for Sequence Modeling），集成了幾項(xiàng)技術(shù)：利用 Dilated CNN 拓展單層卷積層的輸入覆蓋長度，利用全卷積層堆疊層深，使用 Skip Connection 輔助優(yōu)化，引入 Casual CNN 讓網(wǎng)絡(luò)結(jié)構(gòu)看不到 T 時(shí)間步后的數(shù)據(jù)。不過 TCN 的實(shí)驗(yàn)做得有兩個(gè)明顯問題：一個(gè)問題是任務(wù)除了語言模型外都不是典型的 NLP 任務(wù)，而是合成數(shù)據(jù)任務(wù)，所以論文結(jié)論很難直接說就適合 NLP 領(lǐng)域；另外一點(diǎn)，它用來進(jìn)行效果比較的對比方法，沒有用當(dāng)時(shí)效果很好的模型來對比，比較基準(zhǔn)低。所以 TCN 的模型效果說服力不太夠。其實(shí)它該引入的元素也基本引入了，實(shí)驗(yàn)說服力不夠，我覺得可能是它命中缺 GLU 吧。

除此外，簡單談一下 CNN 的位置編碼問題和并行計(jì)算能力問題。上面說了，CNN 的卷積層其實(shí)是保留了相對位置信息的，只要你在設(shè)計(jì)模型的時(shí)候別手賤，中間層不要隨手瞎插入 Pooling 層，問題就不大，不專門在輸入部分對 position 進(jìn)行編碼也行。但是也可以類似 ConvS2S 那樣，專門在輸入部分給每個(gè)單詞增加一個(gè) position embedding，將單詞的 position embedding 和詞向量 embedding 疊加起來形成單詞輸入，這樣也可以，也是常規(guī)做法。

至于 CNN 的并行計(jì)算能力，那是非常強(qiáng)的，這其實(shí)很好理解。我們考慮單層卷積層，首先對于某個(gè)卷積核來說，每個(gè)滑動窗口位置之間沒有依賴關(guān)系，所以完全可以并行計(jì)算；另外，不同的卷積核之間也沒什么相互影響，所以也可以并行計(jì)算。CNN 的并行度是非常自由也非常高的，這是 CNN 的一個(gè)非常好的優(yōu)點(diǎn)。

以上內(nèi)容介紹了懷舊版 CNN 是如何在 NLP 修羅場一步步通過自我進(jìn)化生存到今天的。CNN 的進(jìn)化方向，如果千言萬語一句話歸納的話，那就是：想方設(shè)法把 CNN 的深度做起來，隨著深度的增加，很多看似無關(guān)的問題就隨之解決了。就跟我們國家最近 40 年的主旋律是發(fā)展經(jīng)濟(jì)一樣，經(jīng)濟(jì)發(fā)展好了，很多問題就不是問題了。最近幾年之所以大家感到各方面很困難，癥結(jié)就在于經(jīng)濟(jì)不行了，所以很多問題無法通過經(jīng)濟(jì)帶動來解決，于是看似各種花樣的困難就冒出來，這是一個(gè)道理。

那么介紹了這么多，摩登版 CNN 效果如何呢？與 RNN 及 Transforme 比起來怎樣？別著急，后面會專門談這個(gè)問題。

白衣騎士 Transformer：蓋世英雄站上舞臺

Transformer 是谷歌在 17 年做機(jī)器翻譯任務(wù)的 “Attention is all you need” 的論文中提出的，引起了相當(dāng)大的反響。 每一位從事 NLP 研發(fā)的同仁都應(yīng)該透徹搞明白 Transformer，它的重要性毫無疑問，尤其是你在看完我這篇文章之后，我相信你的緊迫感會更迫切，我就是這么一位善于制造焦慮的能手。不過這里沒打算重點(diǎn)介紹它，想要入門 Transformer 的可以參考以下三篇文章：一個(gè)是 Jay Alammar 可視化地介紹 Transformer 的博客文章The Illustrated Transformer，非常容易理解整個(gè)機(jī)制，建議先從這篇看起，這是中文翻譯版本；第二篇是 Calvo 的博客：Dissecting BERT Part 1: The Encoder，盡管說是解析 Bert，但是因?yàn)?Bert 的 Encoder 就是 Transformer，所以其實(shí)它是在解析 Transformer，里面舉的例子很好；再然后可以進(jìn)階一下，參考哈佛大學(xué) NLP 研究組寫的 “The Annotated Transformer.”，代碼原理雙管齊下，講得也很清楚。

下面只說跟本文主題有關(guān)的內(nèi)容。

這里要澄清一下，本文所說的 Transformer 特征抽取器并非原始論文所指。我們知道，“Attention is all you need” 論文中說的的 Transformer 指的是完整的 Encoder-Decoder 框架，而我這里是從特征提取器角度來說的，你可以簡單理解為論文中的 Encoder 部分。因?yàn)?Encoder 部分目的比較單純，就是從原始句子中提取特征，而 Decoder 部分則功能相對比較多，除了特征提取功能外，還包含語言模型功能，以及用 attention 機(jī)制表達(dá)的翻譯模型功能。所以這里請注意，避免后續(xù)理解概念產(chǎn)生混淆。

Transformer 的 Encoder 部分（不是上圖一個(gè)一個(gè)的標(biāo)為 encoder 的模塊，而是紅框內(nèi)的整體，上圖來自 The Illustrated Transformer，Jay Alammar 把每個(gè) Block 稱為 Encoder 不太符合常規(guī)叫法）是由若干個(gè)相同的 Transformer Block 堆疊成的。 這個(gè) Transformer Block 其實(shí)才是 Transformer 最關(guān)鍵的地方，核心配方就在這里。那么它長什么樣子呢？

它的照片見上圖，看上去是不是很可愛，有點(diǎn)像安卓機(jī)器人是吧？這里需要強(qiáng)調(diào)一下，盡管 Transformer 原始論文一直重點(diǎn)在說 Self Attention，但是目前來看，能讓 Transformer 效果好的，不僅僅是 Self attention，這個(gè) Block 里所有元素，包括 Multi-head self attention，Skip connection，LayerNorm，F(xiàn)F 一起在發(fā)揮作用。為什么這么說？你看到后面會體會到這一點(diǎn)。

我們針對 NLP 任務(wù)的特點(diǎn)來說下 Transformer 的對應(yīng)解決方案。首先，自然語言一般是個(gè)不定長的句子，那么這個(gè)不定長問題怎么解決呢？Transformer 做法跟 CNN 是類似的，一般設(shè)定輸入的最大長度，如果句子沒那么長，則用 Padding 填充，這樣整個(gè)模型輸入起碼看起來是定長的了。另外，NLP 句子中單詞之間的相對位置是包含很多信息的，上面提過，RNN 因?yàn)榻Y(jié)構(gòu)就是線性序列的，所以天然會將位置信息編碼進(jìn)模型；而 CNN 的卷積層其實(shí)也是保留了位置相對信息的，所以什么也不做問題也不大。但是對于 Transformer 來說，為了能夠保留輸入句子單詞之間的相對位置信息，必須要做點(diǎn)什么。為啥它必須要做點(diǎn)什么呢？因?yàn)檩斎氲牡谝粚泳W(wǎng)絡(luò)是 Muli-head self attention 層，我們知道，Self attention 會讓當(dāng)前輸入單詞和句子中任意單詞發(fā)生關(guān)系，然后集成到一個(gè) embedding 向量里，但是當(dāng)所有信息到了 embedding 后，位置信息并沒有被編碼進(jìn)去。所以，Transformer 不像 RNN 或 CNN，必須明確的在輸入端將 Positon 信息編碼，Transformer 是用位置函數(shù)來進(jìn)行位置編碼的，而 Bert 等模型則給每個(gè)單詞一個(gè) Position embedding，將單詞 embedding 和單詞對應(yīng)的 position embedding 加起來形成單詞的輸入 embedding，類似上文講的 ConvS2S 的做法。而關(guān)于 NLP 句子中長距離依賴特征的問題，Self attention 天然就能解決這個(gè)問題，因?yàn)樵诩尚畔⒌臅r(shí)候，當(dāng)前單詞和句子中任意單詞都發(fā)生了聯(lián)系，所以一步到位就把這個(gè)事情做掉了。不像 RNN 需要通過隱層節(jié)點(diǎn)序列往后傳，也不像 CNN 需要通過增加網(wǎng)絡(luò)深度來捕獲遠(yuǎn)距離特征，Transformer 在這點(diǎn)上明顯方案是相對簡單直觀的。說這些是為了單獨(dú)介紹下 Transformer 是怎樣解決 NLP 任務(wù)幾個(gè)關(guān)鍵點(diǎn)的。

Transformer 有兩個(gè)版本：Transformer base和Transformer Big。兩者結(jié)構(gòu)其實(shí)是一樣的，主要區(qū)別是包含的 Transformer Block 數(shù)量不同，Transformer base 包含 12 個(gè) Block 疊加，而 Transformer Big 則擴(kuò)張一倍，包含 24 個(gè) Block。無疑 Transformer Big 在網(wǎng)絡(luò)深度，參數(shù)量以及計(jì)算量相對 Transformer base 翻倍，所以是相對重的一個(gè)模型，但是效果也最好。

華山論劍：三大特征抽取器比較

結(jié)合 NLP 領(lǐng)域自身的特點(diǎn)，上面幾個(gè)部分分別介紹了 RNN／CNN／Transformer 各自的特性。從上面的介紹，看上去好像三大特征抽取器在 NLP 領(lǐng)域里各有所長，推想起來要是把它們拉到 NLP 任務(wù)競技場角斗，一定是互有勝負(fù)，各擅勝場吧？

事實(shí)究竟如何呢？是三個(gè)特征抽取器三花齊放還是某一個(gè)一枝獨(dú)秀呢？我們通過一些實(shí)驗(yàn)來說明這個(gè)問題。

為了更細(xì)致和公平地做對三者進(jìn)行比較，我準(zhǔn)備從幾個(gè)不同的角度來分別進(jìn)行對比，我原先打算從以下幾個(gè)維度來進(jìn)行分析判斷：句法特征提取能力；語義特征提取能力；長距離特征捕獲能力；任務(wù)綜合特征抽取能力。上面四個(gè)角度是從 NLP 的特征抽取器能力強(qiáng)弱角度來評判的，另外再加入并行計(jì)算能力及運(yùn)行效率，這是從是否方便大規(guī)模實(shí)用化的角度來看的。

因?yàn)槟壳瓣P(guān)于特征抽取器句法特征抽取能力方面進(jìn)行比較的文獻(xiàn)很少，好像只看到一篇文章，結(jié)論是 CNN 在句法特征提取能力要強(qiáng)于 RNN，但是因?yàn)槭潜容^早的文章，而且沒有對比 transformer 在句法特征抽取方面的能力，所以這塊很難單獨(dú)比較，于是我就簡化為對以下幾項(xiàng)能力的對比：

語義特征提取能力；

長距離特征捕獲能力；

任務(wù)綜合特征抽取能力；

并行計(jì)算能力及運(yùn)行效率

三者在這些維度各自表現(xiàn)如何呢？下面我們分頭進(jìn)行說明。

語義特征提取能力

從語義特征提取能力來說，目前實(shí)驗(yàn)支持如下結(jié)論：Transformer 在這方面的能力非常顯著地超過 RNN 和 CNN（在考察語義類能力的任務(wù) WSD 中，Transformer 超過 RNN 和 CNN 大約 4-8 個(gè)絕對百分點(diǎn)），RNN 和 CNN 兩者能力差不太多。

長距離特征捕獲能力

在長距離特征捕獲能力方面，目前在特定的長距離特征捕獲能力測試任務(wù)中（主語 - 謂語一致性檢測，比如 we……..are…），實(shí)驗(yàn)支持如下結(jié)論：原生 CNN 特征抽取器在這方面極為顯著地弱于 RNN 和 Transformer，Transformer 微弱優(yōu)于 RNN 模型 (尤其在主語謂語距離小于 13 時(shí))，能力由強(qiáng)到弱排序?yàn)?Transformer>RNN>>CNN; 但在比較遠(yuǎn)的距離上（主語謂語距離大于 13），RNN 微弱優(yōu)于 Transformer，所以綜合看，可以認(rèn)為Transformer 和 RNN 在這方面能力差不太多，而 CNN 則顯著弱于前兩者。

那么為什么 CNN 在捕獲長距離特征方面這么弱呢？這個(gè)我們在前文講述 CNN 的時(shí)候就說過，CNN 解決這個(gè)問題是靠堆積深度來獲得覆蓋更長的輸入長度的，所以 CNN 在這方面的表現(xiàn)與卷積核能夠覆蓋的輸入距離最大長度有關(guān)系。如果通過增大卷積核的 kernel size，同時(shí)加深網(wǎng)絡(luò)深度，以此來增加輸入的長度覆蓋。實(shí)驗(yàn)證明這能夠明顯提升 CNN 的 long-range 特征捕獲能力。但是盡管如此，CNN 在這方面仍然顯著弱于 RNN 和 Transformer。這個(gè)問題背后的原因是什么呢（因?yàn)樯鲜鲋髡Z - 謂語一致性任務(wù)中，CNN 的深度肯定可以覆蓋 13-25 這個(gè)長度了，但是表現(xiàn)還是很弱）？其實(shí)這是一個(gè)很好的值得探索的點(diǎn)。

對于 Transformer 來說，Multi-head attention 的 head 數(shù)量嚴(yán)重影響 NLP 任務(wù)中 Long-range 特征捕獲能力：結(jié)論是 head 越多越有利于捕獲 long-range 特征。在上頁 PPT 里寫明的論文出來之前，有個(gè)工作（論文：Tran. The Importance of Being Recurrent for Modeling Hierarchical Structure）的結(jié)論和上述結(jié)論不一致：它的結(jié)論是在” 主語 - 謂語一致性” 任務(wù)上，Transformer 表現(xiàn)是弱于 LSTM 的。如果綜合這兩篇論文，我們看似得到了相互矛盾的結(jié)論，那么到底誰是正確的呢？Why Self-attention 的論文對此進(jìn)行了探索，它的結(jié)論是：這個(gè)差異是由于兩個(gè)論文中的實(shí)驗(yàn)中 Transformer 的超參設(shè)置不同導(dǎo)致的，其中尤其是 multi-head 的數(shù)量，對結(jié)果影響嚴(yán)重，而如果正確設(shè)置一些超參，那么之前 Trans 的論文結(jié)論是不成立的。也就是說，我們目前仍然可以維持下面結(jié)論：在遠(yuǎn)距離特征捕獲能力方面，Transformer 和 RNN 能力相近，而 CNN 在這方面則顯著弱于前兩者。

任務(wù)綜合特征抽取能力

上面兩項(xiàng)對比是從特征抽取的兩個(gè)比較重要的單項(xiàng)能力角度來評估的，其實(shí)更重要的是在具體任務(wù)中引入不同特征抽取器，然后比較效果差異，以此來綜合評定三者的綜合能力。那么這樣就引出一個(gè)問題：NLP 中的任務(wù)很多，哪些任務(wù)是最具有代表性的呢？答案是機(jī)器翻譯。你會看到很多 NLP 的重要的創(chuàng)新模型都是在機(jī)器翻譯任務(wù)上提出來的，這背后是有道理的，因?yàn)闄C(jī)器翻譯基本上是對 NLP 各項(xiàng)處理能力綜合要求最高的任務(wù)之一，要想獲得高質(zhì)量的翻譯結(jié)果，對于兩種語言的詞法，句法，語義，上下文處理能力，長距離特征捕獲等等更方面都需要考慮進(jìn)來才行。這是為何看到很多比較工作是在機(jī)器翻譯上作出的，這里給個(gè)背后原因的解釋，以避免被質(zhì)疑任務(wù)單一，沒有說服力的問題。當(dāng)然，我預(yù)料到那位 “因?yàn)槌蕴澤佟? 愛挑刺” 的同學(xué)會這么質(zhì)問我，沒關(guān)系，即使你對此提出質(zhì)疑，我依然能夠拿出證據(jù)，為什么這么講，請往后看。

那么在以機(jī)器翻譯為代表的綜合特征抽取能力方面，三個(gè)特征抽取器哪個(gè)更好些呢？

先給出一個(gè)機(jī)器翻譯任務(wù)方面的證據(jù)，仍然是 why Self attention 論文的結(jié)論，對比實(shí)驗(yàn)結(jié)果數(shù)據(jù)參考上圖。在兩個(gè)機(jī)器翻譯任務(wù)中，可以看到，翻譯質(zhì)量指標(biāo) BLEU 證明了如下結(jié)論：Transformer 綜合能力要明顯強(qiáng)于 RNN 和 CNN（你要知道，技術(shù)發(fā)展到現(xiàn)在階段，BLEU 絕對值提升 1 個(gè)點(diǎn)是很難的事情），而 RNN 和 CNN 看上去表現(xiàn)基本相當(dāng)，貌似 CNN 表現(xiàn)略好一些。

你可能覺得一個(gè)論文的結(jié)論不太能說明問題，那么我再給出一個(gè)證據(jù)，不過這個(gè)證據(jù)只對比了 Transformer 和 RNN，沒帶 CNN 玩，不過關(guān)于說服力我相信你不會質(zhì)疑，實(shí)驗(yàn)對比數(shù)據(jù)如下：

上面是 GPT 論文的實(shí)驗(yàn)結(jié)論，在 8 個(gè)不同的 NLP 任務(wù)上，在其它條件相同的情況下，只是把特征抽取器從 Transformer 換成 LSTM，平均下來 8 個(gè)任務(wù)得分掉了 5 個(gè)點(diǎn)以上。這具備足夠說服力嗎？

其實(shí)還有其它機(jī)器翻譯方面的實(shí)驗(yàn)數(shù)據(jù)，篇幅原因，不一一列舉了。如果你是個(gè)較真的人，實(shí)在還想看，那請看下一節(jié)，里面有另外一個(gè)例子的數(shù)據(jù)讓來你服氣。如果歸納一下的話，現(xiàn)在能得出的結(jié)論是這樣的：從綜合特征抽取能力角度衡量，Transformer 顯著強(qiáng)于 RNN 和 CNN，而 RNN 和 CNN 的表現(xiàn)差不太多，如果一定要在這兩者之間比較的話，通常 CNN 的表現(xiàn)要稍微好于 RNN 的效果。

當(dāng)然，需要強(qiáng)調(diào)一點(diǎn)，本部分所說的 RNN 和 CNN 指的是原生的 RNN 和 CNN 模型，就是說你可以在經(jīng)典的結(jié)構(gòu)上增加 attention，堆疊層次等各種改進(jìn)，但是不包含對本身結(jié)構(gòu)特別大的變動，就是說支持整容，但是不支持變性。這里說的原生版本指的是整容版本，我知道你肯定很關(guān)心有沒有變性版本的 RNN 和 CNN，我負(fù)責(zé)任地跟你說，有。你想知道它變性之后是啥樣子？等會你就看到了，有它們的照片給你。

并行計(jì)算能力及運(yùn)算效率

關(guān)于三個(gè)特征抽取器的并行計(jì)算能力，其實(shí)我們在前文分述三個(gè)模型的時(shí)候都大致提過，在此僅做個(gè)歸納，結(jié)論如下：

RNN 在并行計(jì)算方面有嚴(yán)重缺陷，這是它本身的序列依賴特性導(dǎo)致的，所謂成也蕭何敗也蕭何，它的這個(gè)線形序列依賴性非常符合解決 NLP 任務(wù)，這也是為何 RNN 一引入到 NLP 就很快流行起來的原因，但是也正是這個(gè)線形序列依賴特性，導(dǎo)致它在并行計(jì)算方面要想獲得質(zhì)的飛躍，看起來困難重重，近乎是不太可能完成的任務(wù)。

而對于 CNN 和 Transformer 來說，因?yàn)樗鼈儾淮嬖诰W(wǎng)絡(luò)中間狀態(tài)不同時(shí)間步輸入的依賴關(guān)系，所以可以非常方便及自由地做并行計(jì)算改造，這個(gè)也好理解。

所以歸納一下的話，可以認(rèn)為并行計(jì)算能力由高到低排序如下：Transformer 和 CNN 差不多，都遠(yuǎn)遠(yuǎn)遠(yuǎn)遠(yuǎn)強(qiáng)于 RNN。

我們從另外一個(gè)角度來看，先拋開并行計(jì)算能力的問題，單純地比較一下三個(gè)模型的計(jì)算效率?？赡艽蠹业闹庇^印象是 Transformer 比較重，比較復(fù)雜，計(jì)算效率比較低，事實(shí)是這樣的嗎？

上圖列出了單層的 Self attention／RNN／CNN 的計(jì)算效率，首先要注意：上面列的是 Self attention， 不是 Transformer 的 Block，因?yàn)?Transformer Block 里其實(shí)包含了好幾層，而不是單層。我們先說 self attention，等會說 Transformer Block 的計(jì)算量。

從上圖可以看出，如果是 self attention/CNN/RNN 單層比較計(jì)算量的話，三者都包含一個(gè)平方項(xiàng)，區(qū)別主要是：self attention 的平方項(xiàng)是句子長度，因?yàn)槊恳粋€(gè)單詞都需要和任意一個(gè)單詞發(fā)生關(guān)系來計(jì)算 attention，所以包含一個(gè) n 的平方項(xiàng)。而 RNN 和 CNN 的平方項(xiàng)則是 embedding size。那么既然都包含平方項(xiàng)，怎么比較三個(gè)模型單層的計(jì)算量呢？首先容易看出 CNN 計(jì)算量是大于 RNN 的，那么 self attention 如何與其它兩者比較呢?？梢赃@么考慮：如果句子平均長度 n 大于 embedding size，那么意味著 Self attention 的計(jì)算量要大于 RNN 和 CNN；而如果反過來，就是說如果 embedding size 大于句子平均長度，那么明顯 RNN 和 CNN 的計(jì)算量要大于 self attention 操作。而事實(shí)上是怎樣？我們可以想一想，一般正常的句子長度，平均起來也就幾十個(gè)單詞吧。而當(dāng)前常用的 embedding size 從 128 到 512 都常見，所以在大多數(shù)任務(wù)里面其實(shí) self attention 計(jì)算效率是要高于 RNN 和 CNN 的。

但是，那位因?yàn)槌蕴澇缘纳偎韵矚g挑刺的同學(xué)會繼續(xù)質(zhì)問我：“哥，我想知道的是 Transformer 和 RNN 及 CNN 的計(jì)算效率對比，不是 self attention。另外，你能降低你腦袋里發(fā)出的水聲音量嗎？”。嗯，這個(gè)質(zhì)問很合理，我來粗略估算一下，因?yàn)?Transformer 包含多層，其中的 skip connection 后的 Add 操作及 LayerNorm 操作不太耗費(fèi)計(jì)算量，我先把它忽略掉，后面的 FFN 操作相對比較耗時(shí)，它的時(shí)間復(fù)雜度應(yīng)該是 n 乘以 d 的平方。所以如果把 Transformer Block 多層當(dāng)作一個(gè)整體和 RNN 及 CNN 單層對比的話，Transformer Block 計(jì)算量肯定是要多于 RNN 和 CNN 的，因?yàn)樗旧硪舶粋€(gè) n 乘以 d 的平方，上面列出的 self attention 的時(shí)間復(fù)雜度就是多出來的計(jì)算量。這么說起來，單個(gè) Transformer Block 計(jì)算量大于單層 RNN 和 CNN，沒毛病。

上面考慮的是三者單層的計(jì)算量，可以看出結(jié)論是：Transformer Block >CNN >RNN。如果是考慮不同的具體模型，會與模型的網(wǎng)絡(luò)層深有很大關(guān)系，另外還有常見的 attention 操作，所以問題會比較復(fù)雜，這里不具體討論了。

說完非并行情況的三者單層計(jì)算量，再說回并行計(jì)算的問題。很明顯，對于 Transformer 和 CNN 來說，那個(gè)句子長度 n 是可以通過并行計(jì)算消掉的，而 RNN 因?yàn)樾蛄幸蕾嚨膯栴}，那個(gè) n 就消不掉，所以很明顯，把并行計(jì)算能力考慮進(jìn)來，RNN 消不掉的那個(gè) n 就很要命。這只是理論分析，實(shí)際中三者計(jì)算效率到底如何呢？我們給出一些三者計(jì)算效率對比的實(shí)驗(yàn)結(jié)論。

論文 “Convolutional Sequence to Sequence Learning” 比較了 ConvS2S 與 RNN 的計(jì)算效率， 證明了跟 RNN 相比，CNN 明顯速度具有優(yōu)勢，在訓(xùn)練和在線推理方面，CNN 比 RNN 快 9.3 倍到 21 倍。論文 “Dissecting Contextual Word Embeddings: Architecture and Representation” 提到了 Transformer 和 CNN 訓(xùn)練速度比雙向 LSTM 快 3 到 5 倍。論文 “The Best of Both Worlds: Combining Recent Advances in Neural Machine Translation” 給出了 RNN／CNN／Transformer 速度對比實(shí)驗(yàn)，結(jié)論是：Transformer Base 速度最快；CNN 速度次之，但是比 Transformer Base 比慢了將近一倍；Transformer Big 速度再次，主要因?yàn)樗膮?shù)量最大，而吊在車尾最慢的是 RNN 結(jié)構(gòu)。

總而言之，關(guān)于三者速度對比方面，目前的主流經(jīng)驗(yàn)結(jié)論基本如上所述：Transformer Base 最快，CNN 次之，再次 Transformer Big，最慢的是 RNN。RNN 比前兩者慢了 3 倍到幾十倍之間。

綜合排名情況

以上介紹內(nèi)容是從幾個(gè)不同角度來對 RNN／CNN/Transformer 進(jìn)行對比，綜合這幾個(gè)方面的實(shí)驗(yàn)數(shù)據(jù)，我自己得出的結(jié)論是這樣的：單從任務(wù)綜合效果方面來說，Transformer 明顯優(yōu)于 CNN，CNN 略微優(yōu)于 RNN。速度方面 Transformer 和 CNN 明顯占優(yōu)，RNN 在這方面劣勢非常明顯。這兩者再綜合起來，如果我給的排序結(jié)果是Transformer>CNN>RNN，估計(jì)沒有什么問題吧？那位吃虧….. 愛挑刺的同學(xué)，你說呢？

從速度和效果折衷的角度看，對于工業(yè)界實(shí)用化應(yīng)用，我的感覺在特征抽取器選擇方面配置 Transformer base 是個(gè)較好的選擇。

三者的合流：向 Transformer 靠攏

上文提到了，Transformer 的效果相對原生 RNN 和 CNN 來說有比較明顯的優(yōu)勢，那么是否意味著我們可以放棄 RNN 和 CNN 了呢？事實(shí)倒也并未如此。我們聰明的科研人員想到了一個(gè)巧妙的改造方法，我把它叫做 “寄居蟹” 策略（就是上文說的 “變性” 的一種帶有海洋文明氣息的文雅說法）。什么意思呢？我們知道 Transformer Block 其實(shí)不是只有一個(gè)構(gòu)件，而是由 multi-head attention/skip connection/Layer Norm/Feed forward network 等幾個(gè)構(gòu)件組成的一個(gè)小系統(tǒng)，如果我們把 RNN 或者 CNN 塞到 Transformer Block 里會發(fā)生什么事情呢？這就是寄居蟹策略的基本思路。

那么怎么把 RNN 和 CNN 塞到 Transformer Block 的肚子里，讓它們背上重重的殼，從而能夠?qū)崿F(xiàn)寄居策略呢？

其實(shí)很簡單，參考上面兩張 PPT，簡而言之，大的方向就是把 self attention 模塊用雙向 RNN 或者 CNN 替換掉，Transformer Block 的其它構(gòu)件依然健在。當(dāng)然這只是說明一個(gè)大方向，具體的策略可能有些差異，但是基本思想八九不離十。

那么如果 RNN 和 CNN 采取這種寄居策略，效果如何呢？他們還爬的動嗎？其實(shí)這種改造方法有奇效，能夠極大提升 RNN 和 CNN 的效果。而且目前來看，RNN 或者 CNN 想要趕上 Transformer 的效果，可能還真只有這個(gè)辦法了。

我們看看 RNN 寄居到 Transformer 后，效果是如何的。上圖展示了對原生 RNN 不斷進(jìn)行整容手術(shù)，逐步加入 Transformer 的各個(gè)構(gòu)件后的效果。我們從上面的逐步變身過程可以看到，原生 RNN 的效果在不斷穩(wěn)定提升。但是與土生土長的 Transformer 相比，性能仍然有差距。

類似的，上圖展示了對 CNN 進(jìn)行不斷改造的過程以及其對應(yīng)效果。同樣的，性能也有不同幅度的提升。但是也與土家 Transformer 性能存在一些差距。

這說明什么？我個(gè)人意見是：這說明 Transformer 之所以能夠效果這么好，不僅僅 multi-head attention 在發(fā)生作用，而是幾乎所有構(gòu)件都在共同發(fā)揮作用，是一個(gè)小小的系統(tǒng)工程。

但是從上面結(jié)果看，變性版本 CNN 好像距離 Transformer 真身性能還是比不上，有些數(shù)據(jù)集合差距甚至還很大，那么是否意味著這條路也未必走的通呢？Lightweight convolution 和 Dynamic convolutions 給人們帶來一絲曙光，在論文 “Pay Less Attention With LightweightI and Dynamic Convolutions” 里提出了上面兩種方法，效果方面基本能夠和 Transformer 真身相當(dāng)。那它做了什么能夠達(dá)成這一點(diǎn)呢？也是寄居策略。就是用 Lightweight convolution 和 Dynamic convolutions 替換掉 Transformer 中的 Multi-head attention 模塊，其它構(gòu)件復(fù)用了 Transformer 的東西。和原生 CNN 的最主要區(qū)別是采用了 Depth-wise separable CNN 以及 softmax-normalization 等優(yōu)化的 CNN 模型。

而這又說明了什么呢？我覺得這說明了一點(diǎn)：RNN 和 CNN 的大的出路在于寄生到 Transformer Block 里，這個(gè)原則沒問題，看起來也是他倆的唯一出路。但是，要想效果足夠好，在塞進(jìn)去的 RNN 和 CNN 上值得花些功夫，需要一些新型的 RNN 和 CNN 模型，以此來配合 Transformer 的其它構(gòu)件，共同發(fā)揮作用。如果走這條路，那么 RNN 和 CNN 翻身的一天也許還會到來。

盡管如此，我覺得 RNN 這條路仍然不好走，為什么呢，你要記得 RNN 并行計(jì)算能力差這個(gè)天生缺陷，即使把它塞到 Transformer Block 里，別說現(xiàn)在效果還不行，就算哪天真改出了一個(gè)效果好的，但是因?yàn)樗牟⑿心芰?，會整體拖慢 Transformer 的運(yùn)行效率。所以我綜合判斷 RNN 這條路將來也走不太通。

2019 來自未來的消息：總結(jié)

很多年前的小學(xué)語文課本上有句話，是這么說的：“張華考上了北京大學(xué)；李萍進(jìn)了中等技術(shù)學(xué)校；我在百貨公司當(dāng)售貨員：我們都有光明的前途”。我們小的時(shí)候看到這句話，對此深信不疑，但是走到 2019 的今天，估計(jì)已經(jīng)沒有父母愿意跟他們的孩子說這句話了，畢竟欺騙孩子是個(gè)挺不好的事情。如果套用這句話來說明 NLP 的三大特征抽取器的前途的話，應(yīng)該是這樣的：“Transformer 考上了北京大學(xué)；CNN 進(jìn)了中等技術(shù)學(xué)校，希望有一天能夠考研考進(jìn)北京大學(xué)；RNN 在百貨公司當(dāng)售貨員：我們都有看似光明的前途?！?/p>

我們把上文的所有證據(jù)都收集起來進(jìn)行邏輯推理，可以模仿曹雪芹老師，分別給三位 NLP 界佳麗未來命運(yùn)寫一句判詞。當(dāng)然，再次聲明，這是我個(gè)人判斷。

進(jìn)退維谷的 RNN

為什么說 RNN 進(jìn)退維谷呢？有幾個(gè)原因。

首先，如果靠原生的 RNN（包括 LSTM，GRU 以及引入 Attention 以及堆疊層次等各種你能想到的改進(jìn)方法，可以一起上），目前很多實(shí)驗(yàn)已經(jīng)證明效果比起 Transformer 有較大差距，現(xiàn)在看基本沒有迎頭趕上的可能，所以原生的 RNN 從效果來講是處于明顯劣勢的。

其次，原生的 RNN 還有一個(gè)致命的問題：并行計(jì)算能力受限制太嚴(yán)重。想要大規(guī)模實(shí)用化應(yīng)用？目前看希望渺茫。我們前面說過，決定了 RNN 本身的根本特質(zhì)是：T 時(shí)刻隱層節(jié)點(diǎn)對前向輸入及中間計(jì)算結(jié)果的序列依賴，因?yàn)樗€形序列收集前面的信息，這是 RNN 之所以是 RNN 的最主要特點(diǎn)。正是它的這個(gè)根本特質(zhì)，使得 RNN 的并行計(jì)算能力想要獲得根本解決基本陷入了一個(gè)兩難的境地：要么仍然保持 RNN 序列依賴的根本特性，這樣不論怎么改造，因?yàn)檫@個(gè)根本還在，所以 RNN 依舊是 RNN，所謂 “我就是我，是不一樣的煙火”，但是如果這樣，那么其并行能力基本無法有力發(fā)揮，天花板很低；當(dāng)然除此外，還有另外一條路可走，就是把這種序列依賴關(guān)系打掉，如果這樣，那么這種打掉序列依賴關(guān)系的模型雖然看上去仍然保留了部分 RNN 整形前的樣貌，其實(shí)它骨子里已經(jīng)是另外一個(gè)人了，這已經(jīng)不是你記憶中的 RNN 了。就是說，對 RNN 來說，要么就認(rèn)命接受慢的事實(shí)，躲進(jìn)小樓成一統(tǒng)，管他春夏與秋冬，僅僅是學(xué)術(shù)界用來發(fā)表論文的一種載體，不考慮大規(guī)模實(shí)用化的問題。要么就徹底改頭換面變成另外一個(gè)人，如果真走到這一步，我想問的是：你被別人稱為高效版本的 RNN，你自己好意思答應(yīng)嗎？這就是 RNN 面臨的兩難境地。

再次，假設(shè)我們再樂觀一點(diǎn)，把對 RNN 的改造方向定位為將 RNN 改造成類似 Transformer 的結(jié)構(gòu)這種思路算進(jìn)來：無非就是在 Transformer 的 Block 里，把某些部件，當(dāng)然最可行的是把 Multi-head self attention 部件換成 RNN。我們就算退一步講，且將這種大幅結(jié)構(gòu)改造的模型也算做是 RNN 模型吧。即使這樣，已經(jīng)把自己整形成長得很像 Transformer 了，RNN 依然面臨上述原生 RNN 所面臨的同樣兩個(gè)困境：一方面即使這種連變性削骨都上的大幅度整容版本的 RNN，效果雖然有明顯提升，但是仍然比不過 Transformer；另外，一旦引入 RNN 構(gòu)件，同樣會觸發(fā) Transformer 結(jié)構(gòu)的并行計(jì)算能力問題。所以，目前 Transformer 發(fā)動機(jī)看上去有點(diǎn)帶不動 RNN 這個(gè)隊(duì)友。

綜合以上幾個(gè)因素，我們可以看出，RNN 目前處于進(jìn)退兩難的地步，我覺得它被其它模型替換掉只是時(shí)間問題，而且好像留給它的時(shí)間不多了。當(dāng)然，這是我個(gè)人意見。我說這番話的時(shí)候，你是不是又聽到了水聲？

我看到網(wǎng)上很多人還在推 RNN 說：其實(shí)還是 RNN 好用。我覺得這其實(shí)是一種錯(cuò)覺。之所以會產(chǎn)生這個(gè)錯(cuò)覺，原因來自兩個(gè)方面：一方面是因?yàn)?RNN 發(fā)展歷史長，所以有大量經(jīng)過優(yōu)化的 RNN 框架可用，這對技術(shù)選型選擇困難癥患者來說是個(gè)福音，因?yàn)槟汶S手選一個(gè)知名度還可以的估計(jì)效果就不錯(cuò)，包括對一些數(shù)據(jù)集的前人摸索出的超參數(shù)或者調(diào)參經(jīng)驗(yàn)；而 Transformer 因?yàn)闅v史太短，所以各種高效的語言版本的優(yōu)秀框架還少，選擇不多。另外，其實(shí)我們對 Transformer 為何有效目前還不是特別清楚，包括相關(guān)的各種數(shù)據(jù)集合上的調(diào)參經(jīng)驗(yàn)公開的也少，所以會覺得調(diào)起來比較費(fèi)勁。隨著框架越來越多，以及經(jīng)驗(yàn)分享越來越充分，這個(gè)不再會是問題。這是一方面。另外一方面，很多人反饋對于小數(shù)據(jù)集 RNN 更好用，這固然跟 Transformer 的參數(shù)量比較多有關(guān)系，但是也不是沒有解決辦法，一種方式是把 Block 數(shù)目降低，減少參數(shù)量；第二種辦法是引入 Bert 兩階段訓(xùn)練模型，那么對于小數(shù)據(jù)集合來說會極大緩解效果問題。所以綜合這兩方面看，RNN 貌似在某些場合還有優(yōu)勢，但是這些所謂的優(yōu)勢是很脆弱的，這其實(shí)反映的是我們對 Transformer 整體經(jīng)驗(yàn)不足的事實(shí)，隨著經(jīng)驗(yàn)越來越豐富，RNN 被 Transformer 取代基本不會有什么疑問。

一息尚存的 CNN

CNN 在 14 年左右在 NLP 界剛出道的時(shí)候，貌似跟 RNN 比起來表現(xiàn)并不算太好，算是落后生，但是用發(fā)展的眼光看，未來的處境反而看上去比 RNN 的狀態(tài)還要占優(yōu)一些。之所以造成這個(gè)奇怪現(xiàn)象，最主要的原因有兩個(gè)：一個(gè)是因?yàn)?CNN 的天生自帶的高并行計(jì)算能力，這對于延長它的生命力發(fā)揮了很大作用。這就決定了與 Transformer 比起來，它并不存在無法克服的困難，所以仍然有希望；第二，早期的 CNN 做不好 NLP 的一個(gè)很大原因是網(wǎng)絡(luò)深度做不起來，隨著不斷借鑒圖像處理的新型 CNN 模型的構(gòu)造經(jīng)驗(yàn)，以及一些深度網(wǎng)絡(luò)的優(yōu)化 trick，CNN 在 NLP 領(lǐng)域里的深度逐步能做起來了。而既然深度能做起來，那么本來 CNN 做 NLP 天然的一個(gè)缺陷：無法有效捕獲長距離特征的問題，就得到了極大緩解。目前看可以靠堆深度或者結(jié)合 dilated CNN 來一定程度上解決這個(gè)問題，雖然還不夠好，但是仍然是那句話，希望還在。

但是，上面所說只是從道理分析角度來講 CNN 的希望所在，話分兩頭，我們說回來，目前也有很多實(shí)驗(yàn)證明了原生的 CNN 在很多方面仍然是比不過 Transformer 的，典型的還是長距離特征捕獲能力方面，原生的 CNN 版本模型仍然極為顯著地弱于 RNN 和 Transformer，而這點(diǎn)在 NLP 界算是比較嚴(yán)重的缺陷。好，你可以說：那我們把 CNN 引到 Transformer 結(jié)構(gòu)里，比如代替掉 Self attention，這樣和 Transformer 還有一戰(zhàn)吧？嗯，是的，目前看貌似只有這條路是能走的通的，引入 depth separate CNN 可以達(dá)到和 Transformer 接近的效果。但是，我想問的是：你確認(rèn)長成這樣的 CNN，就是把 CNN 塞到 Transformer Block 的肚子里，你確認(rèn)它的親朋好友還能認(rèn)出它嗎？

當(dāng)然，我之所以寫 CNN 一息尚存，是因?yàn)槲矣X得把 CNN 塞到 Transformer 肚子里這種方案，對于篇章級別的 NLP 任務(wù)來說，跟采取 self attention 作為發(fā)動機(jī)的 Transformer 方案對比起來，是具有極大優(yōu)勢的領(lǐng)域，也是適合它的戰(zhàn)場，后面我估計(jì)會出現(xiàn)一些這方面的論文。為什么這么講？原因下面會說。

穩(wěn)操勝券的 transformer

我們在分析未來 NLP 的三大特征抽取器哪個(gè)會勝出，我認(rèn)為，起碼根據(jù)目前的信息來看，其實(shí) Transformer 在很多戰(zhàn)場已經(jīng)贏了，在這些場地，它未來還會繼續(xù)贏。為什么呢？上面不是說了嗎，原生的 RNN 和 CNN，總有一些方面顯著弱于 Transformer（并行計(jì)算能力或者效果，或者兩者同時(shí)都比 Transformer 弱）。那么他們未來的希望，目前大家都寄托在把 RNN 和 CNN 寄生在 Transformer Block 里。RNN 不用說了，上面說過它的進(jìn)退維艱的現(xiàn)狀。單說 CNN 吧，還是上一部分的那句話，我想問的是：你確認(rèn)長成這樣的 CNN，就是把 CNN 塞到 Transformer Block 的肚子里，你確認(rèn)它的親朋還能認(rèn)出它嗎？

目前能夠和 Transformer 一戰(zhàn)的 CNN 模型，基本都已經(jīng)長成 Transformer 的模樣了。而這又說明了什么呢？難道這是 CNN 要能戰(zhàn)勝 Transformer 的跡象嗎？這是一道留給您的思考題和辯論題。當(dāng)然，我不參加辯論。

Transformer 作為一個(gè)新模型，并不是完美無缺的。它也有明顯的缺點(diǎn)：首先，對于長輸入的任務(wù)，典型的比如篇章級別的任務(wù)（例如文本摘要），因?yàn)槿蝿?wù)的輸入太長，Transformer 會有巨大的計(jì)算復(fù)雜度，導(dǎo)致速度會急劇變慢。所以估計(jì)短期內(nèi)這些領(lǐng)地還能是 RNN 或者長成 Transformer 模樣的 CNN 的天下（其實(shí)目前他倆這塊做得也不好），也是目前看兩者的希望所在，尤其是 CNN 模型，希望更大一些。但是是否 Transformer 針對長輸入就束手無策，沒有解決辦法呢？我覺得其實(shí)并不是，比如拍腦袋一想，就能想到一些方法，雖然看上去有點(diǎn)丑陋。比如可以把長輸入切斷分成 K 份，強(qiáng)制把長輸入切短，再套上 Transformer 作為特征抽取器，高層可以用 RNN 或者另外一層 Transformer 來接力，形成 Transformer 的層級結(jié)構(gòu)，這樣可以把 n 平方的計(jì)算量極大減少。當(dāng)然，這個(gè)方案不優(yōu)雅，這個(gè)我承認(rèn)。但是我提示你一下：這個(gè)方向是個(gè)值得投入精力的好方向，你留意一下我這句話，也許有意想不到的收獲。（注：上面這段話是我之前早已寫好的，結(jié)果今天（1 月 12 日）看見媒體號在炒作：“Transforme-XL，速度提升 1800 倍”云云?？戳诵侣?，我找來 Transformer-XL 論文看了一下，發(fā)現(xiàn)它解決的就是輸入特別長的問題，方法呢其實(shí)大思路和上面說的內(nèi)容差不太多。說這么多的意思是：我并不想刪除上面內(nèi)容，為避免發(fā)出來后，那位 “愛挑刺” 同學(xué)說我拷貝別人思路沒引用。我決定還是不改上面的說法，因?yàn)檫@個(gè)點(diǎn)子實(shí)在是太容易想到的點(diǎn)子，我相信你也能想到。）除了這個(gè)缺點(diǎn)，Transformer 整體結(jié)構(gòu)確實(shí)顯得復(fù)雜了一些，如何更深刻認(rèn)識它的作用機(jī)理，然后進(jìn)一步簡化它，這也是一個(gè)好的探索方向，這句話也請留意。還有，上面在做語義特征抽取能力比較時(shí)，結(jié)論是對于距離遠(yuǎn)于 13 的長距離特征，Transformer 性能弱于 RNN，說實(shí)話，這點(diǎn)是比較出乎我意料的，因?yàn)?Transformer 通過 Self attention 使得遠(yuǎn)距離特征直接發(fā)生關(guān)系，按理說距離不應(yīng)該成為它的問題，但是效果竟然不如 RNN，這背后的原因是什么呢？這也是很有價(jià)值的一個(gè)探索點(diǎn)。

我預(yù)感到我可能又講多了，能看到最后不容易，上面幾段話算是送給有耐心的同學(xué)的禮物，其它不多講了，就此別過，請忽略你聽到的嘩嘩的水聲。