推理速度快千倍！谷歌开源语言模型Transformer-XL

傷城~ 2022-03-22 05:48 331阅读 0赞

**语言建模**是 NLP 中的一种重要技术，因为它能够应用在各种 NLP 任务中，如机器翻译和主题分类等。目前，处理语言建模问题有两种最先进的架构——循环神经网络（RNN）和 Transformer。前者处理输入表征（单词或字符），逐个学习它们之间的关系；后者接收一段表征，并使用注意机制学习它们之间的依赖关系。

虽然这两种架构都取得了令人瞩目的成就，但它们的主要局限在于捕获长期依赖性，例如使用文档开头的重要单词来预测后面的单词。谷歌和卡内基梅隆大学的一篇新论文《Transformer-XL：超越固定长度上下文的注意力语言模型》结合了这两种方法的优点。新模型在输入数据的每个段上使用 Transformer 的注意力模块，并使用循环机制来学习连续段之间的依赖关系。

Transformer-XL 在多种语言建模数据集（如单词级别的 enwik8 和字符级别的 text8）上实现了最目前先进的结果，且**该模型在推理阶段速度更快，比之前最先进的 Transformer 架构快 300 到 1800 倍。**

背景介绍：Transformer 架构

语言建模的一种常用方法是循环神经网络（RNN），因为这种网络可以很好地捕获单词之间的依赖关系，尤其是当其中含有 LSTM（详见 https://colah.github.io/posts/2015-08-Understanding-LSTMs/）等模块时。然而，受梯度消失问题的影响，RNN 往往速度很慢，且其学习长期依赖的能力比较有限。

2017 年提出的 Transformer 架构（详见 https://arxiv.org/abs/1706.03762）为语言建模问题提供了一种全新的解决方案：注意力模块。注意模块不是逐个地处理表征，而是接收一整段表征，并使用三个可训练的权重矩阵——查询（Query），键（Key）和值（Value）来一次性学习所有输入表征之间的依赖关系。这三个权重矩阵构成了注意力头（Attention Head）。Transformer 网络由多个层组成，每个层都有几个注意力头（和附加层），用于学习表征之间的不同关系。

与许多 NLP 模型一样，Transformer 会首先将输入表征嵌入到向量中。由于注意模块中含有并发处理机制，模型还需要添加有关表征顺序的信息。这个步骤被称为位置编码（Positional Encoding），可帮助网络学习其位置信息。通常，该步骤使用正弦函数完成。该函数根据表征的位置生成向量，而不需要学习任何参数。

![640_wx_fmt_png_tp_webp_wxfrom_5_wx_lazy_1_wx_co_1_retryload_1][]

图：单个表征（E1）上的单个注意力头的示例。其输出是使用自身的 Query 向量及所有标记的 Key 和 Value 向量计算的（图中只显示一个额外的标记 E2）。Query 和 Key 定义每个表征的权重，其输出是所有 Value 向量的加权和。

> 注：有关 Transformer 的更深入讨论，可参考 Jay Alammar 的这篇博文
> 
> https://jalammar.github.io/illustrated-transformer/

最初的 Transformer 架构被用于机器翻译（含有编码器 - 解码器机制）。据此，Al-Rfou 等人（见 https://arxiv.org/abs/1808.04444）提出了一种语言建模架构。该架构的目标是根据之前的字符预测片段中的字符。例如，它使用 x1 ... xn-1 预测字符 xn，而右边的下一个字符则被屏蔽（参见下图）。这种 64 层变换器模型仅限于处理 512 个字符这种相对较短的输入，因此它将输入分成段，并分别从每个段中学习。如果在测试阶段需要处理较长的输入，该架构会在每一步中将输入向右移动一个字符，以此实现对单个字符的预测。

![640_wx_fmt_png_tp_webp_wxfrom_5_wx_lazy_1_wx_co_1_retryload_1 1][]

图：vanilla Transformer 语言模型的训练和测试示意。来源：Transformer-XL（https://arxiv.org/abs/1706.03762）

该模型在常用基准测试（enwik8 和 text8）上的表现优于 RNN 模型，但它仍然存在以下两个缺点：

1.  上下文相关性有限。字符之间的最大依赖距离受输入长度的限制。例如，该模型不能“使用”出现在几个句子之前的单词。
2.  上下文破碎。对于长度超过 512 个字符的文本，其每个段都是从头开始单独训练的。因此，对于每个段的第一个表征以及各个段之间，根本不存在上下文（依赖性）。这会使得训练效率低下，并会影响模型的性能。

Transformer-XL 的工作机制

Transformer-XL 架构基于 Al-Rfou 等人提出的 vanilla Transformer，但引入了两点创新——**循环机制（Recurrence Mechanism）** 和 **相对位置编码（Relative Positional Encoding）**，以克服 vanilla Transformer 的缺点。与 vanilla Transformer 相比，该架构的另一个优势是它可以被用于单词级和字符级的语言建模。

循环机制

循环机制的目标是通过利用之前段的信息来实现长期依赖性。与 vanilla Transformer 类似，Transformer-XL 处理第一个标记段，但它会保留隐藏层的输出。处理后面的段时，每个隐藏层都会接收两个输入：

1.  该段的前一个隐藏层的输出，和 vanilla Transformer 相同（如下图中的灰色箭头所示）。
2.  上一个隐藏层的输出（如绿色箭头所示），可以使模型创建长期依赖关系。

从技术上讲，这两个输入会被拼接，然后用于计算当前段（当前层的当前头部）的 Key 和 Value 矩阵。该步骤为网络提供了更多关于每个表征的权重（重要性）的信息，但它不会更改 Value 矩阵。

![640_wx_fmt_png_tp_webp_wxfrom_5_wx_lazy_1_wx_co_1_retryload_1 2][]

图：Transformer-XL 语言模型的训练和测试示意。来源：Transformer-XL（https://arxiv.org/abs/1706.03762）

该概念可以扩展到更长的依赖上。使用相同的方法，利用前面多个段的信息，只要 GPU 内存允许，在测试阶段也可以获得更长的依赖。

循环机制的另一个优点是其测试速度快。在每个步骤中，它可以一次前进一整个段（而不是像在 vanilla Transformer 中一次只能前进一个表征），并使用先前段的数据来预测当前段的表征。

相对位置编码

循环机制引入了新的挑战——原始位置编码将每个段分开处理，因此，来自不同段的表征会具有相同的位置编码。例如，第一和第二段的第一个表征将具有相同的编码，虽然它们的位置和重要性并不相同（比如第一个段中的第一个表征可能重要性低一些）。这种混淆可能会错误地影响网络。

针对此问题，论文提出了一种新的位置编码方式。这种位置编码是每个注意力模块的一部分。它不会仅在第一层之前编码位置，而且会基于表征之间的相对距离而非绝对位置进行编码。从技术上讲，它对注意力头分数（Attention Head’s Score）的计算方式不再是简单的乘法（Qi⋅Kj），而是包括四个部分：

1.  内容权重——没有添加原始位置编码的原始分数。
2.  相对于当前内容的位置偏差（Qi）。该项使用正弦类函数来计算表征之间的相对距离（例如 i-j），用以替代当前表征的绝对位置。
3.  可学习的全局内容偏差——该模型添加了一个可学习的向量，用于调整其他表征内容（Kj）的重要性。
4.  可学习的全局偏差——另一个可学习向量，仅根据表征之间的距离调整重要性（例如，最后一个词可能比前一段中的词更重要）。

实验结果

论文作者比较了模型在单词级别和字符级别数据集上的表现，并将其与其他著名模型（RNN 和 Transformer）进行了比较。Transformer-XL 在几个不同的数据集基准测试中实现了最先进的（SOTA）结果：

1.  在大型单词级别数据集——WikiText-103 数据集上，18 层的 Transformer-XL（含有 257M 参数）获得了 18.3 的困惑度（Perplexity）。这个结果优于之前 Baevski 和 Auli（论文链接：https://arxiv.org/abs/1809.10853）得到的最优值 20.5。
2.  在字符级数据集 enwik8上，12 层 Transformer-XL 达到了 1.06 位每字符（bpc），与 Al-Rfou 等人之前的 SOTA（链接：https://arxiv.org/abs/1808.04444）类似，但相比于 Transformer-XL，Al-Rfou 等人却使用了六倍以上的参数。另外，24 层 Transformer-XL 实现了一个 0.99 bpc 的新 SOTA。
3.  有趣的是，在仅具有短期依赖性的数据集（如仅包含单个句子 One Billion Word 数据集）以及小型数据集（如仅含有 1M 表征的 Penn Treebank 数据集）上，Transformer-XL 也实现了 SOTA 结果。这表明该模型在这些情景中也可能有效。

循环机制和相对位置编码的优点如下面的图表所示。图中比较了不同上下文长度（即注意力头中使用的之前的表征的数量）中包含或不包含循环机制，以及使用或不使用新编码方式的困惑度得分。完整的 Transformer-XL 明显优于其他模型，并能够有效利用长期依赖性。此外，它还能够捕获比 RNN 更长的依赖性（延长了 80％）。

![640_wx_fmt_png_tp_webp_wxfrom_5_wx_lazy_1_wx_co_1_retryload_1 3][]

图：Transformer-XL 的对比实验。来源：Transformer-XL（链接：https://arxiv.org/abs/1706.03762）

最后，如前所述，该模型在推理阶段的速度也明显快于 vanilla Transformer，特别是对于较长的上下文。例如，对于 800 个字符的上下文长度，Transformer-XL 比 vanilla Transformer 快 363 倍；而对于 3800 字符的上下文，Transformer-XL 快了 1874 倍。

实现细节

该模型是开源的，并使用 TensorFlow 和 PyTorch 实现（链接：https://github.com/kimiyoung/transformer-xl/）。作者也上传了预先训练好的模型。每个数据集的训练具体需要多长时间并未明确给出。

结    论

Transformer-XL 在几种不同的数据集（大 / 小，字符级别 / 单词级别等）均实现了最先进的语言建模结果。它结合了深度学习的两个重要概念——循环机制和注意力机制，允许模型学习长期依赖性，且可能可以扩展到需要该能力的其他深度学习领域，例如音频分析（如每秒 16k 样本的语音数据）等。

此模型尚未在情感分析或问题回答等 NLP 任务上进行测试。另外，这种强语言模型与其他基于 Transformer 的模型（如 BERT，参见 https://www.lyrn.ai/2018/11/07/explained-bert-state-of-the-art-language-model-for-nlp/）相比有何优点，仍然有待解答。

**相关资料传送门：**

论文地址：

https://arxiv.org/abs/1901.02860

代码开源（包含 PyTorch 和 TensorFlow 的模型实现，而且带有预训练的模型）：

https://github.com/kimiyoung/transformer-xl

原文链接：

https://www.lyrn.ai/2019/01/16/transformer-xl-sota-language-model/

转载:[https://mp.weixin.qq.com/s/Xf3tCCTX6awd3bbjcSUAvQ][https_mp.weixin.qq.com_s_Xf3tCCTX6awd3bbjcSUAvQ]

[640_wx_fmt_png_tp_webp_wxfrom_5_wx_lazy_1_wx_co_1_retryload_1]: /images/20220322/9151225896e2450e812b3b7d0f148df1.png
[640_wx_fmt_png_tp_webp_wxfrom_5_wx_lazy_1_wx_co_1_retryload_1 1]: /images/20220322/3b10bad4f0074c25bd54d49bf2420376.png
[640_wx_fmt_png_tp_webp_wxfrom_5_wx_lazy_1_wx_co_1_retryload_1 2]: /images/20220322/f52ffe618a68435d8125cc8c227b9300.png
[640_wx_fmt_png_tp_webp_wxfrom_5_wx_lazy_1_wx_co_1_retryload_1 3]: /images/20220322/fd97a13f15cc41b5879727610027c9b4.png
[https_mp.weixin.qq.com_s_Xf3tCCTX6awd3bbjcSUAvQ]: https://mp.weixin.qq.com/s/Xf3tCCTX6awd3bbjcSUAvQ