譯者 | 李睿

審校 | 孫淑娟

?近年來， Transformer 機器學習模型已經(jīng)成為深度學習和深度神經(jīng)網(wǎng)絡(luò)技術(shù)進步的主要亮點之一。它主要用于自然語言處理中的高級應用。谷歌正在使用它來增強其搜索引擎結(jié)果。OpenAI 使用 Transformer 創(chuàng)建了著名的 GPT-2和 GPT-3模型。

自從2017年首次亮相以來，Transformer 架構(gòu)不斷發(fā)展并擴展到多種不同的變體，從語言任務擴展到其他領(lǐng)域。它們已被用于時間序列預測。它們是 DeepMind 的蛋白質(zhì)結(jié)構(gòu)預測模型 AlphaFold 背后的關(guān)鍵創(chuàng)新。OpenAI 的源代碼生成模型 Codex 也基于 Transformer。Transformer 最近也進入了計算機視覺領(lǐng)域，在許多復雜任務中它們正在慢慢取代卷積神經(jīng)網(wǎng)絡(luò)(CNN)。

研究人員仍在探索改進 Transformer 并將其用于新應用的方法。以下是關(guān)于 Transformer 令人興奮的原因以及它們?nèi)绾喂ぷ鞯暮喴忉尅?/p>

1.采用神經(jīng)網(wǎng)絡(luò)處理序列數(shù)據(jù)

傳統(tǒng)的前饋神經(jīng)網(wǎng)絡(luò)并非旨在跟蹤序列數(shù)據(jù)并將每個輸入映射到輸出。它適用于諸如圖像分類之類的任務，但在諸如文本之類的序列數(shù)據(jù)上卻失敗了。處理文本的機器學習模型不僅必須處理每個單詞，還必須考慮單詞如何按順序排列并相互關(guān)聯(lián)。而一個單詞的含義可能會隨著句子中出現(xiàn)在它們之前和之后的其他單詞而改變。

在 Transformer 出現(xiàn)之前，遞歸神經(jīng)網(wǎng)絡(luò)(RNN)是自然語言處理的首選解決方案。當提供一個單詞序列時，遞歸神經(jīng)網(wǎng)絡(luò)(RNN)將處理第一個單詞，并將結(jié)果反饋到處理下一個單詞的層。這使它能夠跟蹤整個句子，而不是單獨處理每個單詞。

遞歸神經(jīng)網(wǎng)絡(luò)(RNN)的缺點限制了它們的用處。首先，它們的處理速度非常緩慢。由于它們必須按順序處理數(shù)據(jù)，因此無法在訓練和推理中利用并行計算硬件和圖形處理單元(GPU)。其次，它們無法處理長序列的文本。隨著遞歸神經(jīng)網(wǎng)絡(luò)(RNN)深入到文本摘錄中，句子開頭幾個單詞起到的效果逐漸減弱。當兩個鏈接的詞在文本中相距很遠時，這個被稱為“梯度消失”的問題就會出現(xiàn)。第三，它們只捕捉到一個單詞和它之前的單詞之間的關(guān)系。實際上，單詞的含義取決于它們之前和之后的單詞。

長短時記憶(LSTM)網(wǎng)絡(luò)是遞歸神經(jīng)網(wǎng)絡(luò)(RNN)的繼任者，能夠在一定程度上解決梯度消失問題，并且能夠處理更大的文本序列。但是長短時記憶(LSTM)的訓練速度甚至比遞歸神經(jīng)網(wǎng)絡(luò)(RNN)還要慢，并且仍然無法充分利用并行計算。他們?nèi)匀灰蕾囉谖谋拘蛄械拇刑幚怼?/p>

2017年發(fā)表的一篇名為《注意就是所需要的一切》的論文介紹了 Transformer，指出 Transformer
做出了兩個關(guān)鍵貢獻：首先，它們使并行處理整個序列成為可能，從而可以將順序深度學習模型的速度和容量擴展到前所未有的速度。其次，它們引入了“注意機制”，可以在正向和反向的非常長的文本序列中跟蹤單詞之間的關(guān)系。

在討論 Transformer 模型的工作原理之前，有必要討論一下序列神經(jīng)網(wǎng)絡(luò)解決的問題類型。

• “向量到序列”模型采用單個輸入（例如圖像）并生成數(shù)據(jù)序列（例如描述）。
• “序列到向量”模型將序列數(shù)據(jù)作為輸入，例如產(chǎn)品評論或社交媒體帖子，并輸出單個值，例如情緒分數(shù)。
• “序列到序列”模型將一個序列作為輸入，例如一個英文句子，并輸出另一個序列，例如該句子的法語翻譯。

盡管存在差異，但所有這些類型的模型都有一個共同點——他們學習表達。神經(jīng)網(wǎng)絡(luò)的工作是將一種類型的數(shù)據(jù)轉(zhuǎn)換為另一種類型的數(shù)據(jù)。在訓練期間，神經(jīng)網(wǎng)絡(luò)的隱藏層（位于輸入和輸出之間的層）以最能代表輸入數(shù)據(jù)類型特征的方式調(diào)整其參數(shù)，并將其映射到輸出。最初的 Transformer 被設(shè)計為用于機器翻譯的序列到序列(seq2seq)模型（當然，序列到序列模型不限于翻譯任務）。它由一個編碼器模塊組成，該模塊將來自源語言的輸入字符串壓縮為一個向量，該向量表示單詞及其相互之間的關(guān)系。解碼器模塊將編碼向量轉(zhuǎn)換為目標語言的文本字符串。

2.標記和嵌入 

輸入文本必須經(jīng)過處理并轉(zhuǎn)換為統(tǒng)一格式，然后才能輸入到 Transformer。首先，文本通過“標記器”，將其分解為可以單獨處理的字符塊。標記化算法可以取決于應用程序。在大多數(shù)情況下，每個單詞和標點符號大致算作一個標記。一些后綴和前綴算作單獨的標記（例如，“ize”、“l(fā)y”和“pre”）。標記器生成一個數(shù)字列表，表示輸入文本的標記ID。

然后將標記轉(zhuǎn)換為“單詞嵌入”。單詞嵌入是一種試圖在多維空間中捕捉單詞價值的向量。例如，“貓”和“狗”這兩個詞在某些維度上可能具有相似的值，因為它們都用于關(guān)于動物和寵物的句子中。然而，在區(qū)分貓科動物和犬科動物的其他維度上，“貓”比“狼”更接近“獅子”。同樣，“巴黎”和“倫敦”可能彼此更加接近，因為它們都是城市。然而，“倫敦”更接近于“英格蘭”，“巴黎”更接近于“法國”，這是因為在一個國家的區(qū)分維度上。而單詞嵌入通常有數(shù)百個維度。

單詞嵌入是通過嵌入模型創(chuàng)建的，這些模型與 Transformer 分開訓練。有幾種用于語言任務的預訓練嵌入模型。

3.注意層   

一旦句子被轉(zhuǎn)換成一個單詞嵌入列表，它就會被輸入到 Transformer 的編碼器模塊中。與遞歸神經(jīng)網(wǎng)絡(luò)(RNN)和長短時記憶(LSTM)模型不同，Transformer 一次不會接收一個輸入。它可以接收整個句子的嵌入值，并并行處理它們。這使得 Transformer 比它們的前輩更具有計算效率，并且還使它們能夠在正向和反向序列中檢查文本的場景。

為了保持句子中單詞的順序，Transformer 應用“位置編碼”，這基本上意味著它修改每個嵌入向量的值，以表示其在文本中的位置。

接下來，輸入被傳遞到第一個編碼器塊，它通過“注意層”對其進行處理。注意層試圖捕捉句子中單詞之間的關(guān)系。例如，考慮 “一只大黑貓碰掉一個瓶子之后橫穿馬路”(The big black cat crossed the road after it dropped a bottle on its side)這個句子。在這里，模型必須將“it”與“cat”相關(guān)聯(lián)，將“its”與“bottle”相關(guān)聯(lián)。因此，它應該建立其他關(guān)聯(lián)，例如“big”和“cat”或“crossed”和“cat”。否則，注意層接收表示單個單詞值的單詞嵌入列表，并生成表示單個單詞及其相互關(guān)系的向量列表。注意層包含多個“attention heads” (注意頭)，每個“attention heads”都可以捕獲單詞之間的不同類型的關(guān)系。

注意層的輸出被饋送到前饋神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)將其轉(zhuǎn)換為向量表示，并將其發(fā)送到下一個注意層。Transformers
包含幾個注意塊和前饋層，以逐漸捕捉更復雜的關(guān)系。

解碼器模塊的任務是將編碼器的注意向量轉(zhuǎn)換為輸出數(shù)據(jù)(例如，輸入文本的翻譯版本)。在訓練階段，解碼器可以訪問編碼器產(chǎn)生的注意向量和預期的結(jié)果(例如，翻譯的字符串)。

解碼器使用相同的標記化、單詞嵌入和注意機制來處理預期結(jié)果并創(chuàng)建注意向量。然后，它在編碼器模塊中傳遞該注意向量和注意層，從而在輸入和輸出值之間建立關(guān)系。在翻譯應用程序中，這是源語言和目標語言中的單詞相互映射的部分。與編碼器模塊一樣，解碼器注意向量通過前饋層傳遞。然后其結(jié)果被映射到一個非常大的向量池，即目標數(shù)據(jù)的大小(在翻譯的情況下，這可以涉及數(shù)萬個單詞)。

4.訓練Transformer

在訓練期間，Transformer 提供了非常大的配對示例語料庫（例如，英語句子及其相應的法語翻譯）。編碼器模塊接收并處理完整的輸入字符串。然而，解碼器接收到輸出字符串的掩碼版本（一次一個單詞），并嘗試建立編碼的注意向量和預期結(jié)果之間的映射。編碼器嘗試預測下一個單詞，并根據(jù)其輸出與預期結(jié)果之間的差異進行更正。這種反饋使轉(zhuǎn)換器能夠修改編碼器和解碼器的參數(shù)，并逐漸在輸入和輸出語言之間創(chuàng)建正確的映射。

Transformer 擁有的訓練數(shù)據(jù)和參數(shù)越多，它就越有能力在較長文本序列中保持連貫性和一致性。

5.Transformer的變化

 在以上研究的機器翻譯示例中，Transformer 的編碼器模塊學習英語單詞和句子之間的關(guān)系，而解碼器學習英語和法語之間的映射。

但并非所有 Transformer 應用都需要編碼器和解碼器模塊。例如，大型語言模型的GPT系列使用解碼器模塊堆棧來生成文本。BERT是谷歌研究人員開發(fā)的 Transformer 模型的另一種變體，而它只使用編碼器模塊。

其中一些架構(gòu)的優(yōu)點是它們可以通過自我監(jiān)督學習或無監(jiān)督方法進行訓練。例如，BERT 通過獲取大量未標記文本的語料庫，可以屏蔽其中的一部分，并嘗試預測缺失的部分來進行大部分訓練。然后，它根據(jù)其預測接近或遠離實際數(shù)據(jù)的程度調(diào)整其參數(shù)。通過不斷地重復這個過程，BERT 捕捉到了不同場景中不同單詞之間的關(guān)系。在這個預訓練階段之后，BERT 可以通過在少量標記示例上進行訓練來針對下游任務進行微調(diào)，例如問答、文本摘要或情感分析。使用無監(jiān)督和自我監(jiān)督的預訓練可以減少注釋訓練數(shù)據(jù)所需的工作量。

關(guān)于 Transformer 和他們正在解鎖的新應用程序還有更多，這超出了本文的范圍。研究人員如今仍在尋找從Transformer中獲得更多幫助的方法。

Transformer 還引發(fā)了關(guān)于語言理解和通用人工智能的討論。顯而易見的是，Transformer 與其他神經(jīng)網(wǎng)絡(luò)一樣是一種統(tǒng)計模型，能夠以巧妙而復雜的方式捕捉數(shù)據(jù)中的規(guī)律性。雖然它們不像人類那樣“理解”語言，但是其發(fā)展仍然令人興奮并且可以提供更多新事物。

原文鏈接：https://bdtechtalks.com/2022/05/02/what-is-the-transformer/