Transformer：ChatGPT語言模型背后的核心技術(shù)

Transformer是一種用于序列到序列（Sequence-to-Sequence）任務(wù)的神經(jīng)網(wǎng)絡(luò)模型，例如機(jī)器翻譯，語音識別和生成對話等。它使用了注意力機(jī)制來計算輸入序列和輸出序列之間的關(guān)系。

Transformer的主要優(yōu)點(diǎn)是它可以并行地處理輸入序列中的所有位置，因此在訓(xùn)練和推理時都有著很好的效率。此外，Transformer沒有使用循環(huán)結(jié)構(gòu)，因此它不會受長序列的影響，并且在處理長序列時不會出現(xiàn)梯度消失或爆炸的問題。

相比之下，基于循環(huán)的模型（例如基于LSTM的模型）可能在處理長序列時會出現(xiàn)問題，因為它們必須逐個處理序列中的位置，這會使它們的訓(xùn)練速度變慢。另一方面，Transformer在處理短序列時可能不如基于循環(huán)的模型那么準(zhǔn)確，因為它沒有循環(huán)結(jié)構(gòu)可以保留先前位置的信息。

總的來說，Transformer是一種很有效的模型，特別是在處理較長的序列和并行化計算時。它已經(jīng)成為了NLP（自然語言處理）領(lǐng)域中許多序列到序列任務(wù)的首選模型。

Transformer模型最初是由Vaswani等人在2017年提出的，并且在自然語言處理（NLP）領(lǐng)域得到了廣泛應(yīng)用。

其中著名的模型包括：

· BERT（Bidirectional Encoder Representations from Transformers）：這是一種語言模型，它能夠在許多NLP任務(wù)中取得最先進(jìn)的性能。

· GPT（Generative Pre-training Transformer）：這是一種自然語言生成模型，能夠生成各種文本，包括新聞文章，小說和代碼等。

· Transformer-XL：這是一種擴(kuò)展的Transformer模型，能夠處理更長的序列，并且在很多NLP任務(wù)中取得了最先進(jìn)的性能。

除了NLP領(lǐng)域，Transformer也被用于其他領(lǐng)域，包括計算機(jī)視覺，音頻信號處理和強(qiáng)化學(xué)習(xí)等。

Transformer是一種非常強(qiáng)大的神經(jīng)網(wǎng)絡(luò)模型，但是它也有一些局限性。

其中一個局限性是它依賴于輸入序列的長度。由于Transformer使用注意力機(jī)制來計算輸入序列和輸出序列之間的關(guān)系，因此它可能難以處理較長的序列。雖然有一些變體，例如Transformer-XL，可以更好地處理長序列，但是它們?nèi)匀淮嬖谶@個問題。

另一個局限性是Transformer模型對于處理序列中的時間依賴性不太友好。由于Transformer沒有使用循環(huán)結(jié)構(gòu)，因此它無法保留序列中先前位置的信息。這意味著Transformer在處理序列中的時間依賴性時可能不太準(zhǔn)確，例如在處理語音信號時。

總的來說，Transformer是一種很有效的模型，但是它并不是萬能的。在選擇模型時，應(yīng)該考慮序列的長度和時間依賴性等因素，并確定Transformer是否是合適的選擇。

Transformer基本介紹

transformer 最早使用于NLP模型中，使用了 Self-Attention 機(jī)制。相較于RNN結(jié)構(gòu)可以進(jìn)行并行化訓(xùn)練，能夠擁有全局信息。

scale dot-product attention

self-attention 過程圖

query q 對 key k做attention：

softmax歸一化：

權(quán)重乘value v 輸出轉(zhuǎn)化值：

合并之前的三個圖中操作：

image-20210517170611977.png

Transformer架構(gòu)

Feed-Forward組件：

應(yīng)用方向

自然語言處理使用場景：機(jī)器翻譯

Transformer:[2017] attention is all you need

Bert[2018]: Elmo, GPT

參數(shù)文件大小：
BERT（BASE） (L=12, H=768, A=12, Total Parameters=110M)

BERT（LARGE） (L=24, H=1024,A=16, Total Parameters=340M)

機(jī)器視覺中技術(shù)的演進(jìn)

IGPT：
借鑒bert思想，OpenAI嘗試對測試數(shù)據(jù)隨機(jī)mask 5 個token，最終ImageNet結(jié)果果然上升了一些（紅色）。由于馬賽克操作過于嚴(yán)重（整張圖片都mask了），盡管事實證明還是有效果的，但從輸入上看，降低了模型的擬合能力。

VIT：

嘗試過三種預(yù)訓(xùn)練方法，首先mask掉50%的patch，然后：

只預(yù)測patch的mean color

只預(yù)測一個馬賽克版的patch

用L2損失預(yù)測所有pixel。

第三種方式已經(jīng)非常接近了，但是由于研究的重點(diǎn)不在于此便淺嘗輒止了

DEIT：
在預(yù)訓(xùn)練階段，最多會mask 40%的patch。
另外，作者們其實也試過復(fù)原pixel，但效果會有1.8%的下降。對于這個現(xiàn)象，BEiT給出的猜想是，就像多層CNN一樣，編碼器最終得到的應(yīng)該是一個更全局、高維的表示，而復(fù)現(xiàn)pixel會讓后幾層太關(guān)注局部細(xì)節(jié)。

MAE：
輕量級架構(gòu)的兩大核心：

encoder輸入只包含沒有mask的像素。并且使用的是VIT的encoder block。
2.vit-huge 模型mask 的比例很高時（75%）效果依舊表現(xiàn)很好（accuracy 87.8%），同時可以加速預(yù)訓(xùn)練過程。預(yù)訓(xùn)練時僅僅只使用了imagenet-1k data。

一些值得注意的細(xì)節(jié)，比如：

1.輸入側(cè)直接丟掉mask token，效果+0.7，效率x3.3

預(yù)測normalize之后的pixel，效果+0.5

3.選取數(shù)據(jù)增強(qiáng)策略，效果+0.2

思考：導(dǎo)致視覺和語言的masked autoencoder 不一樣的三大原因

結(jié)構(gòu)：CNN天然適用于圖像，但是應(yīng)用transformer缺顯得很不自然。不過這個問題被vit解了，后續(xù)又有IGPT的馬賽克、dVAE的離散化，patch形態(tài)相對來說信息損失最少且高效。

信息密度：語言的含義比較多，一個單詞可能有很多解釋。而圖片直觀易表示。所以預(yù)測的時候圖片patch比預(yù)測單詞更容易。預(yù)測patch稍微有點(diǎn)周邊信息就夠了，可以放心大膽的mask。這點(diǎn)ViT、BEiT其實也都有，但主要就是最后一點(diǎn)沒有深究。

需要一個Decoder：因為圖片信息密度有限，復(fù)原pixel這種細(xì)粒度信息會讓模型強(qiáng)上加強(qiáng)。那怎么優(yōu)雅地復(fù)原呢？BEiT已經(jīng)說過了，在預(yù)訓(xùn)練圖像encoder的時候，太關(guān)注細(xì)節(jié)就損失了高維抽象能力。所以凱明大神加了一個decoder。到這里分工就很明確了，encoder負(fù)責(zé)抽取高維表示，decoder則負(fù)責(zé)細(xì)粒度還原。

規(guī)模大的簡單算法是深度學(xué)習(xí)的核心。在NLP中，簡單的自我監(jiān)督學(xué)習(xí)方法能夠從模型的規(guī)模中獲益。在計算機(jī)視覺中，實用的預(yù)訓(xùn)練范例主要是監(jiān)督式的。在這項研究中，自我監(jiān)督學(xué)習(xí)已經(jīng)取得了進(jìn)展。我們在ImageNet和遷移學(xué)習(xí)中觀察到自動編碼器（一種類似于NLP技術(shù)的簡單的自我監(jiān)督方法）與NLP中的技術(shù)類似，提供了可擴(kuò)展的好處。視覺中的自我監(jiān)督學(xué)習(xí)現(xiàn)在可能會走上一條與NLP類似的軌跡。另一方面，我們注意到，圖像和語言是不同性質(zhì)的信號，這種差異必須仔細(xì)處理。圖像僅僅是記錄的光，沒有語義分解為視覺類似物的語義分解。我們不是試圖去除物體，而是去除很可能不構(gòu)成語義段的隨機(jī)斑塊。同樣地，我們的MAE重建了像素，而這些像素并不是語義實體。從測試的結(jié)果上看，MAE能推斷出了復(fù)雜的、整體的重建，這表明它已經(jīng)學(xué)會了許多視覺概念（語義）。我們假設(shè)，這種行為的發(fā)生通過MAE內(nèi)部豐富的隱藏表征。我們希望這個觀點(diǎn)能給未來的工作帶來啟發(fā)。更廣泛的影響。建議的方法預(yù)測內(nèi)容基于訓(xùn)練數(shù)據(jù)集的學(xué)習(xí)統(tǒng)計，因此將反映這些數(shù)據(jù)中的偏差，包括具有負(fù)面社會影響的偏差。該模型可能產(chǎn)生不存在的內(nèi)容。這些問題值得在這項工作的基礎(chǔ)上進(jìn)一步研究和考慮，以生成圖像。

未來展望：

有可能取代所有組件。

每個領(lǐng)域都可嘗試，遍地開花。

一文讀懂Transformer 主流的序列到序列模型是基于編碼器-解碼器的循環(huán)或卷積神經(jīng)網(wǎng)絡(luò)，注意力機(jī)制的提出，優(yōu)化了編解碼器的性能，從而使得網(wǎng)絡(luò)性能達(dá)到最優(yōu)。利用注意力機(jī)制構(gòu)建出新的網(wǎng)絡(luò)架構(gòu)Transformer, 完勝了循環(huán)或卷積神經(jīng)網(wǎng)絡(luò)。Transformer 是第一個完全依賴于自注意力機(jī)制來計算其輸入和輸出的表示的轉(zhuǎn)換模型。Transformer可以并行訓(xùn)練，訓(xùn)練時間更短。 1 Transformer的模型架構(gòu) 序列到序列模型采用的是編碼器-解碼器結(jié)構(gòu)，編碼器將輸入序列（,,……,映射成符號表示z=（,,……,,根據(jù)給定的Z ，解碼器生成輸出序列（,,……,,在每一個步長里，模型利用前一個步長中生成的向量和該步長的輸入，生成輸出符號。 Transformer模型架構(gòu)如圖1-1所示，編碼器-解碼器結(jié)構(gòu)采用堆疊的多頭注意力機(jī)制加全連接層，圖中左邊的是編碼器結(jié)構(gòu)，右邊的是解碼器結(jié)構(gòu)：

圖 1-1 ???堆疊的編碼器-解碼器結(jié)構(gòu)

編碼器：編碼器由6個相同的塊結(jié)構(gòu)堆疊而成 N=6，每個塊結(jié)構(gòu)進(jìn)一步分成兩個子層：即一個多頭的自注意力機(jī)制和一個前饋網(wǎng)絡(luò)全連接層，在塊中的每一個子層之后，增加一個歸一化層（Add&Norm）,每個子層的輸出均為歸一化的LayerNorm(x + Sublayer(x))，包括詞嵌入層，模塊中所有子層的輸出的維數(shù)均為512，即?= 512。 解碼器：同理，解碼器也由6個相同的塊結(jié)構(gòu)堆疊而成 N=6，每個塊結(jié)構(gòu)在編碼器兩個子層的基礎(chǔ)之上，增加了第三個子層，即增加了一個多頭自注意力子層。與編碼器類似，在塊中的每一個子層之后，增加一個歸一化層（Add&Norm）。在解碼器端，對解碼器堆棧中的自注意力子層進(jìn)行了修改，以防止位置編碼和后續(xù)位置編碼相關(guān)，通過這種掩蔽，確保了對位置i的預(yù)測只能依賴于小于i的位置的已知輸出。 2 Self-attention?自注意力機(jī)制 Attention 函數(shù)將三元組Q(Query)、K(Key)、V(Value) 映射成輸出，其中三元組Q(Query)、K(Key)、V(Value)和輸出均為向量，輸出是V(Value)的加權(quán)和，其中的權(quán)重是Q(Query)和K(Key)對應(yīng)的組合計算出來的數(shù)值。 1)帶縮放的點(diǎn)積注意力機(jī)制Scaled dot-product attention 帶縮放的點(diǎn)積注意力機(jī)制(Scaled dot-product attention )的公式如下：

在上面公式中Q和K中的向量維度都是，V的向量維度是，計算所有K向量和Q向量的點(diǎn)積，分別除以，并應(yīng)用一個Softmax函數(shù)來獲得這些值的權(quán)重。實際上在self-Attention中，，為了方便將Attention的計算轉(zhuǎn)化為矩陣運(yùn)算，論文中采用了點(diǎn)積的形式求相似度。常見的計算方法除了點(diǎn)積還有MLP網(wǎng)絡(luò)，但是點(diǎn)積能轉(zhuǎn)化為矩陣運(yùn)算，計算速度更快。 兩個最常用的注意力函數(shù)是：加注意力函數(shù)（Additive Attention）和點(diǎn)積注意力函數(shù)（Dot-product Attention）。除了的縮放因子外，帶縮放的點(diǎn)積注意力機(jī)制采用的是點(diǎn)積注意力函數(shù)，加注意力函數(shù)使用具有單個隱含層的前饋網(wǎng)絡(luò)來計算兼容性函數(shù)。雖然這兩者在理論復(fù)雜度上相似，但點(diǎn)積注意力函數(shù)更快，更節(jié)省空間，因為它可以使用高度優(yōu)化的矩陣乘法碼來實現(xiàn)。而對于較小的值，這兩種機(jī)制的性能相似，但在不加大更大的值的情況下，加注意力函數(shù)優(yōu)于點(diǎn)積注意力函數(shù)。對于較大的值，點(diǎn)積相應(yīng)變大，將Softmax函數(shù)推到梯度極小的區(qū)域。為了抵消這種影響，我們通過來縮放點(diǎn)積。 Transformer模型在三處采用了多頭注意力機(jī)制:

在編碼器-解碼器注意力層，Q值來自上一個解碼器層，K值和V值來自編碼器的輸出,從而使得解碼器的每一個位置信息均和輸入序列的位置信息相關(guān)，這種架構(gòu)模仿了序列到序列模型編解碼器注意力機(jī)制。

編碼器中包括自注意力層，在自注意力層中，Q 值、K值和V值均來自編碼器上一層的輸出，編碼器中的位置信息參與到前一層的位置編碼中去。

同理，解碼器中的自注意力機(jī)制使得解碼器中的位置信息均參與到所有位置信息的解碼中去。

2)全連接前饋網(wǎng)絡(luò) 在Transfomer編碼器-解碼器架構(gòu)的每一塊中，除了包含多頭注意力機(jī)制外，還包含一個全連接前饋網(wǎng)絡(luò)，全連接前饋網(wǎng)絡(luò)層包含兩次ReLU激活函數(shù)的線性變換。

不同層之間的全連接前饋網(wǎng)絡(luò)的參數(shù)各不相同，模型輸入輸出的維度是512 = 512, 層內(nèi)部的維度是2048 ，即= 2048。 3)嵌入和Softmax 和其它序列到序列的模型相類似，Transformer模型利用詞嵌入技術(shù)將輸入標(biāo)記和輸出標(biāo)記轉(zhuǎn)化為維度為的向量，采用可訓(xùn)練的線性變換和Softmax函數(shù)，將解碼器的輸出變換成待預(yù)測的下一個標(biāo)記的概率。在Transformer模型中，兩個嵌入層和Softmax層之間共享權(quán)重矩陣。 3 位置編碼Positional Encoding 由于Transformer模型中既沒有遞歸，也沒有卷積，需要獲得輸入序列精準(zhǔn)的位置信息的話，必須插入位置編碼。位置編碼精準(zhǔn)地描述了輸入序列中各個單詞的絕對和相對位置信息，即在編碼器-解碼器的底部輸入嵌入中注入“位置編碼”，位置編碼和輸入嵌入有相同的維度，所以二者可以實現(xiàn)相加運(yùn)算，位置編碼方式可以有多種，在Transformer模型中采用的是頻率不同的三角函數(shù)：

其中pos 是位置，i是維數(shù)，也就是說，位置編碼的每個維數(shù)都對應(yīng)于一個正弦曲線。波長從2π到10000·2π的幾何變化。之所以選擇這個函數(shù)是因為假設(shè)它使得模型很容易地學(xué)習(xí)相對位置，對于任何固定偏移量k，可以表示為的線性函數(shù)。 首先，將自注意力機(jī)制和循環(huán)卷積網(wǎng)絡(luò)（RNN ）和卷積神經(jīng)網(wǎng)絡(luò)（CNN）進(jìn)行對比,比較它們在變長序列從三個因素來考量采用自注意力機(jī)制：首先是每一層計算的復(fù)雜程度；其次，是可以并行計算的計算量，用對序列操作的最小數(shù)目表示；第三，是網(wǎng)絡(luò)中最長相關(guān)路徑的長度。在序列學(xué)習(xí)任務(wù)中，對長序列相關(guān)性的學(xué)習(xí)是關(guān)鍵性的難點(diǎn)問題，前向和后向信號路徑的長度往往是影響學(xué)習(xí)效率的關(guān)鍵因素，輸入和輸出序列之間的位置越短，前向和后向信號路徑則越短，更容易學(xué)習(xí)到長序列的依賴關(guān)系，通過對比網(wǎng)絡(luò)中輸入輸出序列位置的最長通路路徑，來回答為什么采用自注意力機(jī)制來搭建Transformer模型。

?表 3-1 ?不同層序列操作的的最大路徑長度、每層的復(fù)雜性和最小操作數(shù) 如表3-1所示?：不同層序列操作的的最大路徑長度、每層的復(fù)雜性和最小操作數(shù)。n是序列長度，d是表示維數(shù)，k是卷積的核大小，r是受限自注意力中的鄰域的大小。在表3-1中，自注意力機(jī)制通過操作將序列的位置信息關(guān)聯(lián)起來，而RNN則需要對序列進(jìn)行次操作。從計算的復(fù)雜程度來看，當(dāng)序列長度n小于表示向量的維度d 時，在機(jī)器翻譯任務(wù)中性能能達(dá)到最優(yōu)。為了提高超長輸入序列的計算性能，限制自注意力中的鄰域r的大小,從而會使得最長相關(guān)路徑的長度變?yōu)?img src="https://file1.elecfans.com//web2/M00/98/E7/wKgZomTnbmeAR3MzAAACIkM-g-M345.png" alt="ec26f652-a997-11ed-bfe3-dac502259ad0.png" />。 卷積核維度為k 的單卷積層無法實現(xiàn)所有輸入和輸出位置信息的連接，所以要求有層卷積層堆疊，使得最長相關(guān)路徑的長度變長。通常，CNN的訓(xùn)練成本比RNN的訓(xùn)練成本要高。 從表3-1中的對比還可以看出，自注意力機(jī)制在復(fù)雜程度、并行計算的計算量和網(wǎng)絡(luò)中最長相關(guān)路徑的長度三方面均占有優(yōu)勢。 4 Transformer 模型的訓(xùn)練

4.1訓(xùn)練數(shù)據(jù)和批次大小

在標(biāo)準(zhǔn)的WMT2014英語-德語數(shù)據(jù)集上進(jìn)行訓(xùn)練，這個數(shù)據(jù)集包括大約450萬個句子數(shù)據(jù)對。句子采用字節(jié)對編碼進(jìn)行編碼，源-目標(biāo)詞匯表中共享大約37000個標(biāo)記。對于英語-法語，使用了更大的WMT2014英語-法語數(shù)據(jù)集，由3600萬個句子組成，并將標(biāo)記分割為32000詞匯。句子對按近似的序列長度排列在一起。每個訓(xùn)練批都包含一組句子對，其中包含大約25000個源標(biāo)記和25000個目標(biāo)標(biāo)記。

4.2 硬件配置

使用8 NVIDIAP100 GPU上訓(xùn)練了Transfomer模型，使用超參數(shù)的基本模型，每個訓(xùn)練步長大約需要花費(fèi)0.4秒的時間，對基本模型總共訓(xùn)練了10萬步或12個小時。對于大模型，步長時間為1.0秒，大模型訓(xùn)練了30萬步（3.5天）。

4.3 優(yōu)化器

采用Adam 優(yōu)化器，參數(shù)設(shè)置為h β1 = 0.9, β2 = 0.98，并依據(jù)下述公式調(diào)整學(xué)習(xí)率：

對應(yīng)于第一個warmup_steps訓(xùn)練步長，學(xué)習(xí)率線性增加，在后續(xù)步長中，學(xué)習(xí)率隨著步長的平方根成正比例下降，其中，warmup_steps =4000。

4.4 正則化

在訓(xùn)練過程中采用了三種正則化方法： 殘差Dropout：在添加子層的輸入和歸一化之前，將Dropout機(jī)制應(yīng)用于每個子層的輸出，同時在編碼器-解碼器堆疊的嵌入過程和位置編碼過程中加入Dropout機(jī)制，= 0.1。

4.5 訓(xùn)練結(jié)果

機(jī)器翻譯 在WMT2014英德翻譯任務(wù)中，Transformer (big)比之前報告的最佳模型（包括集成）高出2.0多個BLEU，獲得BLEU分?jǐn)?shù)為28.4。該模型的配置列于表5-2的底部。在8個P100 GPU 上進(jìn)行訓(xùn)練需要3.5天。甚至基本模型也超過了所有之前發(fā)布的模型和集合，訓(xùn)練成本也大幅度縮減。 在WMT2014年英法翻譯任務(wù)中Transformer (big)獲得了BLEU分值為 41.0分，優(yōu)于之前發(fā)布的所有其它模型，訓(xùn)練成本降低 1/4。

表4.5-1 在英德和英法翻譯任務(wù)中Transformer模型的BLUE 分值和其它模型BLUE 分值的對比（來源：網(wǎng)絡(luò)） 表4.5-1同時將翻譯質(zhì)量和訓(xùn)練成本與其他模型架構(gòu)的翻譯質(zhì)量和訓(xùn)練成本進(jìn)行了比較。通過比較訓(xùn)練時間、所使用的GPU的數(shù)量以及對每個GPU5的持續(xù)單精度浮點(diǎn)容量的估計來估計用于訓(xùn)練模型的浮點(diǎn)操作的數(shù)量。 為了評估Transformer模型是否可以推廣到其他任務(wù)，在英語選區(qū)解析上進(jìn)行了實驗。這個任務(wù)提出了具體的挑戰(zhàn)：輸出受到強(qiáng)大的結(jié)構(gòu)約束，且長度遠(yuǎn)遠(yuǎn)長于輸入。此外，RNN序列對序列模型還無法在小數(shù)據(jù)體系中獲得最為先進(jìn)的結(jié)果。 通過在賓夕法尼亞州《華爾街日報》的數(shù)據(jù)集上訓(xùn)練了大約40K句子，數(shù)據(jù)模型為的4層Transformer。此外，還在半監(jiān)督設(shè)置下訓(xùn)練它，使用更大的高置信度和伯克利解析器語料庫，大約1700萬語句。對《華爾街日報》的設(shè)置使用了16K標(biāo)記詞匯，對半監(jiān)督的設(shè)置使用了32K標(biāo)記詞匯。 結(jié)論：Transformer是采用自注意力機(jī)制的序列到序列模型，在編碼器-解碼器架構(gòu)的神經(jīng)網(wǎng)絡(luò)中，用多頭自注意力機(jī)制取代了RNN 層。對于翻譯任務(wù)，Transformer的訓(xùn)練速度可以比基于循環(huán)層或卷積層的體系架構(gòu)要快得多。關(guān)于2014WMT英德語和WMT2014英法翻譯任務(wù)，實現(xiàn)了不錯的性能。在前一項任務(wù)中，Transformer模型的性能甚至優(yōu)于之前報告的所有其它模型。

作者簡介

陳之炎，北京交通大學(xué)通信與控制工程專業(yè)畢業(yè)，獲得工學(xué)碩士學(xué)位，歷任長城計算機(jī)軟件與系統(tǒng)公司工程師，大唐微電子公司工程師。目前從事智能化翻譯教學(xué)系統(tǒng)的運(yùn)營和維護(hù)，在人工智能深度學(xué)習(xí)和自然語言處理（NLP）方面積累有一定的經(jīng)驗。

Transformer也不是萬能的

Transformer 最初出現(xiàn)在 2017 年的一篇論文中：《Attention Is All You Need》。在其他人工智能方法中，系統(tǒng)會首先關(guān)注輸入數(shù)據(jù)的局部 patch，然后構(gòu)建整體。例如，在語言模型中，鄰近的單詞首先會被組合在一起。相比之下，Transformer 運(yùn)行程序以便輸入數(shù)據(jù)中的每個元素都連接或關(guān)注其他元素。研究人員將此稱為「自注意力」。這意味著一旦開始訓(xùn)練，Transformer 就可以看到整個數(shù)據(jù)集的跡。

在 Transformer 出現(xiàn)之前，人工智能在語言任務(wù)上的進(jìn)展一直落后于其他領(lǐng)域的發(fā)展?！冈谶^去 10 年發(fā)生的這場深度學(xué)習(xí)革命中，自然語言處理在某種程度上是后來者，」馬薩諸塞大學(xué)洛厄爾分校的計算機(jī)科學(xué)家 Anna Rumshisky 說，「從某種意義上說，NLP 曾落后于計算機(jī)視覺，而 Transformer 改變了這一點(diǎn)?！?/p>

Transformer 很快成為專注于分析和預(yù)測文本的單詞識別等應(yīng)用程序的引領(lǐng)者。它引發(fā)了一波工具浪潮，比如 OpenAI 的 GPT-3 可以在數(shù)千億個單詞上進(jìn)行訓(xùn)練并生成連貫的新文本。

Transformer 的成功促使人工智能領(lǐng)域的研究者思考：這個模型還能做些什么？

答卷正在徐徐展開——Transformer 被證明具有驚人的豐富功能。在某些視覺任務(wù)中，例如圖像分類，使用 Transformer 的神經(jīng)網(wǎng)絡(luò)比不使用 Transformer 的神經(jīng)網(wǎng)絡(luò)更快、更準(zhǔn)確。對于其他人工智能領(lǐng)域的新興研究，例如一次處理多種輸入或完成規(guī)劃任務(wù)，Transformer 也可以處理得更多、更好。

「Transformer 似乎在機(jī)器學(xué)習(xí)領(lǐng)域的許多問題上具有相當(dāng)大的變革性，包括計算機(jī)視覺，」在慕尼黑寶馬公司從事與自動駕駛汽車計算機(jī)視覺工作的 Vladimir Haltakov 說。

就在十年前，AI 的不同子領(lǐng)域之間還幾乎是互不相通的，但 Transformer 的到來表明了融合的可能性?！肝艺J(rèn)為 Transformer 之所以如此受歡迎，是因為它展示出了通用的潛力，」德克薩斯大學(xué)奧斯汀分校的計算機(jī)科學(xué)家 Atlas Wang 說：「我們有充分的理由嘗試在整個 AI 任務(wù)范圍內(nèi)嘗試使用 Transformer?！?/p>

從「語言」到「視覺」

在《Attention Is All You Need》發(fā)布幾個月后，擴(kuò)展 Transformer 應(yīng)用范圍的最有希望的動作就開始了。Alexey Dosovitskiy 當(dāng)時在谷歌大腦柏林辦公室工作，正在研究計算機(jī)視覺，這是一個專注于教授計算機(jī)如何處理和分類圖像的 AI 子領(lǐng)域。

Alexey Dosovitskiy。

與該領(lǐng)域的幾乎所有其他人一樣，他一直使用卷積神經(jīng)網(wǎng)絡(luò) (CNN) 。多年來，正是 CNN 推動了深度學(xué)習(xí)，尤其是計算機(jī)視覺領(lǐng)域的所有重大飛躍。CNN 通過對圖像中的像素重復(fù)應(yīng)用濾波器來進(jìn)行特征識別。基于 CNN，照片應(yīng)用程序可以按人臉給你的照片分門別類，或是將牛油果與云區(qū)分開來。因此，CNN 被認(rèn)為是視覺任務(wù)必不可少的。

當(dāng)時，Dosovitskiy 正在研究該領(lǐng)域最大的挑戰(zhàn)之一，即在不增加處理時間的前提下，將 CNN 放大：在更大的數(shù)據(jù)集上訓(xùn)練，表示更高分辨率的圖像。但隨后他看到，Transformer 已經(jīng)取代了以前幾乎所有與語言相關(guān)的 AI 任務(wù)的首選工具。「我們顯然從正在發(fā)生的事情中受到了啟發(fā)，」他說，「我們想知道，是否可以在視覺上做類似的事情？」 這個想法某種程度上說得通——畢竟，如果 Transformer 可以處理大數(shù)據(jù)集的單詞，為什么不能處理圖片呢？

最終的結(jié)果是：在 2021 年 5 月的一次會議上，一個名為 Vision Transformer（ViT）的網(wǎng)絡(luò)出現(xiàn)了。該模型的架構(gòu)與 2017 年提出的第一個 Transformer 的架構(gòu)幾乎相同，只有微小的變化，這讓它能夠做到分析圖像，而不只是文字?！刚Z言往往是離散的，」Rumshisky 說：「所以必須使圖像離散化。」

ViT 團(tuán)隊知道，語言的方法無法完全模仿，因為每個像素的自注意力在計算時間上會非常昂貴。所以，他們將較大的圖像劃分為正方形單元或 token。大小是任意的，因為 token 可以根據(jù)原始圖像的分辨率變大或變?。J(rèn)為一條邊 16 像素），但通過分組處理像素，并對每個像素應(yīng)用自注意力，ViT 可以快速處理大型訓(xùn)練數(shù)據(jù)集，從而產(chǎn)生越來越準(zhǔn)確的分類。

Transformer 能夠以超過 90% 的準(zhǔn)確率對圖像進(jìn)行分類，這比 Dosovitskiy 預(yù)期的結(jié)果要好得多，并在 ImageNet 圖像數(shù)據(jù)集上實現(xiàn)了新的 SOTA Top-1 準(zhǔn)確率。ViT 的成功表明，卷積可能不像研究人員認(rèn)為的那樣對計算機(jī)視覺至關(guān)重要。

與 Dosovitskiy 合作開發(fā) ViT 的谷歌大腦蘇黎世辦公室的 Neil Houlsby 說：「我認(rèn)為 CNN 很可能在中期被視覺 Transformer 或其衍生品所取代?！顾J(rèn)為，未來的模型可能是純粹的 Transformer，或者是為現(xiàn)有模型增加自注意力的方法。

一些其他結(jié)果驗證了這些預(yù)測。研究人員定期在 ImageNet 數(shù)據(jù)庫上測試他們的圖像分類模型，在 2022 年初，ViT 的更新版本僅次于將 CNN 與 Transformer 相結(jié)合的新方法。而此前長期的冠軍——沒有 Transformer 的 CNN，目前只能勉強(qiáng)進(jìn)入前 10 名。

Transformer 的工作原理

ImageNet 結(jié)果表明，Transformer 可以與領(lǐng)先的 CNN 競爭。但谷歌大腦加州山景城辦公室的計算機(jī)科學(xué)家 Maithra Raghu 想知道，它們是否和 CNN 一樣「看到」圖像。神經(jīng)網(wǎng)絡(luò)是一個難以破譯的「黑盒子」，但有一些方法可以窺探其內(nèi)部——例如通過逐層檢查網(wǎng)絡(luò)的輸入和輸出了解訓(xùn)練數(shù)據(jù)如何流動。Raghu 的團(tuán)隊基本上就是這樣做的——他們將 ViT 拆開了。

Maithra Raghu

她的團(tuán)隊確定了自注意力在算法中導(dǎo)致不同感知的方式。歸根結(jié)底，Transformer 的力量來自于它處理圖像編碼數(shù)據(jù)的方式?！冈?CNN 中，你是從非常局部的地方開始，然后慢慢獲得全局視野，」Raghu 說。CNN 逐個像素地識別圖像，通過從局部到全局的方式來識別角或線等特征。但是在帶有自注意力的 Transformer 中，即使是信息處理的第一層也會在相距很遠(yuǎn)的圖像位置之間建立聯(lián)系（就像語言一樣）。如果說 CNN 的方法就像從單個像素開始并用變焦鏡頭縮小遠(yuǎn)處物體的像的放大倍數(shù)，那么 Transformer 就是慢慢地將整個模糊圖像聚焦。

這種差異在 Transformer 最初專注的語言領(lǐng)域更容易理解，思考一下這些句子：「貓頭鷹發(fā)現(xiàn)了一只松鼠。它試圖用爪子抓住它，但只抓住了尾巴的末端?！沟诙涞慕Y(jié)構(gòu)令人困惑：「它」指的是什么？只關(guān)注「它」鄰近的單詞的 CNN 會遇到困難，但是將每個單詞與其他單詞連接起來的 Transformer 可以識別出貓頭鷹在抓松鼠，而松鼠失去了部分尾巴。

顯然，Transformer 處理圖像的方式與卷積網(wǎng)絡(luò)有著本質(zhì)上的不同，研究人員變得更加興奮。Transformer 在將數(shù)據(jù)從一維字符串（如句子）轉(zhuǎn)換為二維數(shù)組（如圖像）方面的多功能性表明，這樣的模型可以處理許多其他類型的數(shù)據(jù)。例如，Wang 認(rèn)為，Transformer 可能是朝著實現(xiàn)神經(jīng)網(wǎng)絡(luò)架構(gòu)的融合邁出的一大步，從而產(chǎn)生了一種通用的計算機(jī)視覺方法——也許也適用于其他 AI 任務(wù)?！府?dāng)然，要讓它真正發(fā)生是有局限性的，但如果有一種可以通用的模型，讓你可以將各種數(shù)據(jù)放在一臺機(jī)器上，那肯定是非常棒的?！?/p>

關(guān)于 ViT 的展望

現(xiàn)在研究人員希望將 Transformer 應(yīng)用于一項更艱巨的任務(wù)：創(chuàng)造新圖像。GPT-3 等語言工具可以根據(jù)其訓(xùn)練數(shù)據(jù)生成新文本。在去年發(fā)表的一篇論文《TransGAN: Two Pure Transformers Can Make One Strong GAN, and That Can Scale Up》中，Wang 組合了兩個 Transformer 模型，試圖對圖像做同樣的事情，但這是一個困難得多的問題。當(dāng)雙 Transformer 網(wǎng)絡(luò)在超過 200000 個名人的人臉上進(jìn)行訓(xùn)練時，它以中等分辨率合成了新的人臉圖像。根據(jù)初始分?jǐn)?shù)（一種評估神經(jīng)網(wǎng)絡(luò)生成的圖像的標(biāo)準(zhǔn)方法），生成的名人面孔令人印象深刻，并且至少與 CNN 創(chuàng)建的名人一樣令人信以為真。

Wang 認(rèn)為，Transformer 在生成圖像方面的成功比 ViT 在圖像分類方面的能力更令人驚訝。「生成模型需要綜合能力，需要能夠添加信息以使其看起來合理，」他說。與分類領(lǐng)域一樣，Transformer 方法正在生成領(lǐng)域取代卷積網(wǎng)絡(luò)。

Raghu 和 Wang 還看到了 Transformer 在多模態(tài)處理中的新用途?！敢郧白銎饋肀容^棘手，」Raghu 說，因為每種類型的數(shù)據(jù)都有自己的專門模型，方法之間是孤立的。但是 Transformer 提出了一種組合多個輸入源的方法。

「有很多有趣的應(yīng)用程序可以結(jié)合其中一些不同類型的數(shù)據(jù)和圖像?！估?，多模態(tài)網(wǎng)絡(luò)可能會為一個系統(tǒng)提供支持，讓系統(tǒng)除了聽一個人的聲音外，還可以讀取一個人的唇語?！改憧梢該碛胸S富的語言和圖像信息表征，」Raghu 說，「而且比以前更深入?！?/p>

這些面孔是在對超過 200000 張名人面孔的數(shù)據(jù)集進(jìn)行訓(xùn)練后，由基于 Transformer 的網(wǎng)絡(luò)創(chuàng)建的。

新的一系列研究表明了 Transformer 在其他人工智能領(lǐng)域的一系列新用途，包括教機(jī)器人識別人體運(yùn)動、訓(xùn)練機(jī)器識別語音中的情緒以及檢測心電圖中的壓力水平。另一個帶有 Transformer 組件的程序是 AlphaFold，它以快速預(yù)測蛋白質(zhì)結(jié)構(gòu)的能力，解決了五十年來蛋白質(zhì)分子折疊問題，成為了名噪一時的頭條新聞。

Transformer isn't all you need

即使 Transformer 有助于整合和改進(jìn) AI 工具，但和其他新興技術(shù)一樣，Transformer 也存在代價高昂的特點(diǎn)。一個 Transformer 模型需要在預(yù)訓(xùn)練階段消耗大量的計算能力，才能擊敗之前的競爭對手。

這可能是個問題?！溉藗儗Ω叻直媛实膱D像越來越感興趣，」Wang 表示。訓(xùn)練費(fèi)用可能是阻礙 Transformer 推廣開來的一個不利因素。然而，Raghu 認(rèn)為，訓(xùn)練障礙可以借助復(fù)雜的濾波器和其他工具來克服。

Wang 還指出，盡管視覺 transformer 已經(jīng)在推動 AI 領(lǐng)域的進(jìn)步，但許多新模型仍然包含了卷積的最佳部分。他說，這意味著未來的模型更有可能同時使用這兩種模式，而不是完全放棄 CNN。

同時，這也表明，一些混合架構(gòu)擁有誘人的前景，它們以一種當(dāng)前研究者無法預(yù)測的方式利用 transformer 的優(yōu)勢?！敢苍S我們不應(yīng)該急于得出結(jié)論，認(rèn)為 transformer 就是最完美的那個模型，」Wang 說。但越來越明顯的是，transformer 至少會是 AI shop 里所有新型超級工具的一部分。

編輯：黃飛

?