原文链接:Attention Is All You Need
作者: Ashish Vaswani;Noam Shazeer;Niki Parmar;Jakob Uszkoreit;Llion Jones;Aidan N. Gomez; Łukasz Kaiser;Illia Polosukhin
主流的序列转换模型都是基于复杂的循环或卷积神经网络,这个模型包含一个编码器和一个解码器。具有最好性能的模型在编码和解码之间通过一个注意力机制链接编解码器。我们提出了一个新的简单网络结构——Transformer,其仅仅是基于注意力机制,而不完全是循环和卷积。在两个机器翻译任务上的实验表明,该模型具有更好的性能,同时可以进行并行化,并且需要更少的时间进行训练。在WMT 2014英语到德语翻译任务上,我们的模型达到了28.4BLEU,获得了最好的结果。在WMT 2014英语到法语翻译任务上,我们的模型在8个GPU上训练3.5天后,所得到的单个模型获得了41.8BLEU分数,这是文献中最好模型的训练成本的一小部分。我们在大型和有限的训练数据中,通过将其成功应用于英语句法解析,表明了Transformer可以很好地适用于其他任务。
复杂的神经网络,特别是长短期记忆(LSTM) 和门控循环神经网络(GRU) 已经被确认为序列建模和转换问题(例如语言建模和机器翻译)中的最新方法。以后,许多研究都围绕循环语言模型和编码器-解码器体系结构进行。
循环网络模型通常是考虑了输入和输出序列的中字符位置的计算。将序列中每位置数据与RNN计算时刻中的步骤对齐,它们将产生一系列隐藏状态ht,当前时刻隐藏态ht作为上一时刻隐藏状态ht−1和时刻 t输入的函数。这种固有的顺序性质排除了训练样本的并行化计算,这在较长的序列长度中变得至关重要,因为内存约束限制了样本之间的批处理。最近的工作通过分解技巧( factorization tricks)和条件计算(conditional computation)实现了计算效率的显着提高,同时在后者的情况下也提高了模型性能。但是,顺序计算的基本约束仍然存在。
注意力机制已成为各种任务中引人注目的序列建模和转换模型的组成部分,允许对依赖关系进行建模,而不考虑它们在输入或输出序列中的距离。但是,在大多数情况下,这种注意机制与循环网络一起使用。
在这项工作中,我们提出了Transformer,一种避免循环的模型架构,它完全依赖于注意机制来构造输入和输出之间的全局依赖关系。Transformer允许进行更多的并行化,并且在8个P100 GPU上经过长达12小时的训练后,可以达到最好的翻译效果。
减少顺序计算的目标也构成了扩展神经GPU,ByteNet和ConvS2S的基础,所有这些都使用卷积神经网络作为基本构建块,并行计算所有输入和输出位置的隐藏表示。在这些模型中,关联来自两个任意输入或输出位置的数据所需的操作数量在位置之间随着距离的增长,对于ConvS2S呈线性,对于ByteNet呈对数。这使得学习较远位置之间数据的依赖性变得更加困难。在Transformer中,这被减少到常数级的操作次数,尽管由于平均注意力加权位置而导致有效分辨率降低,这是我们在3.2节中描述的Multi-Head注意力的影响。
Self-attention,有时称为intra-attention,是一种关联单个序列的不同位置以计算序列表示的关联机制。Self-attention已经成功地用于各种任务,包括阅读理解、摘要概括、文本蕴涵和学习任务独立的句子表示。
端到端的记忆网络基于循环注意机制而不是序列对齐重复,并且已被证明在简单的语言问答和语言建模任务中表现良好。
然而,据我们所知,Transformer是第一个完全依靠self-attention的转换模型来计算其输入和输出的表示,而不使用序列对齐的RNN或卷积的模型。在接下来的部分中,我们将描述由self-attention驱动的Transformer,并且讨论与其他模型相比,其优势所在。
大多数神经序列转换模型都具有编码器-解码器结构。这里,编码器将字符表示的输入序列(x1,…,xn)映射到连续表示序列 z = (z1,…,zn)。在给定 z 的条件下,解码器一次一个元素地生成字符的输出序列(y1,…,ym)。在每个步骤中,模型都是自动回归的,在生成下一个字符时,将上一时刻生成的字符作为附加输入。
Transformer遵循这种整体架构,即在编码器和解码器部分使用栈的self-attention和各数据独立的全连接层,分别如图1的左半部分和右半部分所示。
编码器:编码器由N=6个相同层的堆栈组成。每层有两个子层。 第一个子层是multi-head self-attention,第二个子层是简单的、各位置独立的全连接层。我们在两个子层中的每一个周围使用残差连接(residual connection),然后进行层归一化(layer normalization)。也就是说,每个子层的输出是LayerNorm(x + Sublayer(x)),其中Sublayer(x)是当前子层的输出。为了提高这些残差连接,模型中的所有子层以及嵌入层产生维度 dmodel=512的输出。
解码器:解码器同样由 N=6个相同层的堆栈组成。除了每个编码器层中的两个子层之外,解码器还插入第三子层,其对编码器堆栈的输出执行 multi-head attention。与编码器类似,我们在每个子层周围使用残差连接,然后进行层归一化。我们还修改解码器堆栈中的self-attention子层以防止引入当前时刻的后续时刻输入。这种屏蔽与输出嵌入偏移一个位置的事实相结合,确保了位置 i的预测仅依赖于小于 i的位置处的已知输出。
attention函数可以被描述为将query和一组key-value对映射到输出,其中query、key、value和输出都是向量。输出被计算为value的加权求和,其中分配给每个value的权重由query与对应key的兼容性函数计算。
我们将attention称为“缩放点积Attention”(图2)。输入由维度为 dk的query和key以及维度为dv的value组成。我们用所有key计算query的点积,然后将每个点积结果除以根号dk ,并应用softmax函数来获得value的权重。
在实践中,我们同时在一组query上计算attention函数,将它们打包在一起形成矩阵Q。key和value也一起打包成矩阵K和V. 我们计算输出矩阵为:
两个最常用的attention函数是加法attention和点积(乘法)attention。除了缩放因子 1/dk之外,点积attention与我们的算法相同。加法attention使用具有单个隐藏层的前馈网络来计算兼容性功能。虽然两者在理论上的复杂性相似,但在实践中,点积attention更快,更节省空间,因为它可以使用高度优化的矩阵乘法来实现。
当dk的值比较小的时候,这两个机制的性能相差相近,当dk比较大时,加法attention比不带缩放的点积attention性能好。我们怀疑,对于很大的dk值,点积大幅度增长,将softmax函数推向具有极小梯度的区域。为了抵消这种影响,我们缩小点积1/根号dk倍。
我们发现将query、key和value分别用不同的、学到的线性映射h倍到dk、dk和dv维效果更好,而不是用dmodel维的query、key和value执行单个attention函数。 基于每个映射版本的query、key和value,我们并行执行attention函数,产生dv 维输出值。 将它们连接并再次映射,产生最终值,如图所示2。
Multi-head attention允许模型的不同表示子空间共同关注不同位置的信息。如果只有一个attention head,它的平均值会抑制这个信息。
其中,映射为参数矩阵
在这项工作中,我们采用h=8 个并行attention层或head。对每个head,我们使用dk=dv=dmodel / h=64。由于每个head的大小减小,总的计算成本与具有全部维度的单个head attention相似。
Transformer中用3种不同的方式使用multi-head attention:
- 在“编码器—解码器attention”层,query来自前一个解码器层,key和value来自编码器的输出。这允许解码器中的每个位置能注意到输入序列中的所有位置。这模仿Seq2Seq模型中典型的编器—解码器的attention机制。
- 编码器包含self-attention层。 在self-attention层中,所有的key、value和query来自相同的位置,即是编码器中前一层的输出。 编码器中的每个位置都可以关注编码器上一层的所有位置。
- 类似地,解码器中的self-attention层允许解码器中的每个位置都参与解码器中直到并包括该位置的所有位置。我们需要防止解码器中的向左信息流以保持自回归属性。我们通过屏蔽softmax的输入中所有非法连接的值(设置为-∞),实现缩放点积attention。见 图2。
除了attention子层之外,我们的编码器和解码器中的每个层都包含一个 完全连接的前馈网络,该前馈网络单独且相同地应用于每个位置。 它包括两个线性变换,之间有一个ReLU激活。
尽管线性变换在不同位置上是相同的,但它们在层与层之间使用不同的参数。它的另一种描述方式是两个内核大小为1的卷积。输入和输出的维度为dmodel = 512,内部层的维度为dff = 2048。
与其他序列转导模型类似,我们使用学习到的嵌入将输入词符和输出词符转换为维度为dmodel的向量。我们还使用普通的线性变换和softmax函数将解码器输出转换为预测的下一个词符的概率。在我们的模型中,两个嵌入层之间和pre-softmax线性变换共享相同的权重矩阵。在嵌入层中,我们将这些权重乘以根号dmodel。
由于我们的模型不包含循环和卷积,为了让模型利用序列的顺序,我们必须加入序列中关于词符相对或者绝对位置的一些信息。为此,我们将“位置编码”添加到编码器和解码器堆栈底部的输入嵌入中。位置编码和嵌入的维度dmodel相同,所以它们俩可以相加。有多种位置编码可以选择,例如通过学习得到的位置编码和固定的位置编码。
在这项工作中,我们使用不同频率的正弦和余弦函数:
其中pos 是位置,i 是维度。也就是说,位置编码的每个维度对应于一个正弦曲线。这些波长形成一个几何级数,从2π 到10000⋅2π。我们选择这个函数是因为我们假设它允许模型很容易学习相对位置,因为对任意固定偏移k, PEpos+k可以表示为PEpos的线性函数。
我们还使用学习到的位置嵌入进行了试验,发现这两个版本产生几乎相同的结果(参见表3行(E))。我们选择了正弦曲线,因为它可以允许模型推断比训练期间遇到的更长的序列。
本节,我们比较self-attention与循环层和卷积层的各个方面,它们通常用于映射变长的符号序列表示(x1,…,xn) 到另一个等长的序列(z1,…,zn),其中xi,zi∈ ℝd,例如一个典型的序列转换编码器或解码器中的隐藏层。我们使用self-attention是考虑到解决三个问题。
一个是每层计算的总复杂度。另一个是可以并行的计算,以所需的最小顺序操作的数量来衡量。
第三个是网络中长距离依赖之间的路径长度。学习长距离依赖性是许多序列转换任务中的关键挑战。影响学习这种依赖性能力的一个关键因素是前向和后向信号必须在网络中传播的路径长度。输入和输出序列中任意位置组合之间的这些路径越短,学习远距离依赖性就越容易。因此,我们还比较了由不同图层类型组成的网络中任意两个输入和输出位置之间的最大路径长度。
如表1所示,self-attention层将所有位置连接到固定数量的顺序执行的操作,而循环层需要O(n) 顺序操作。在计算复杂性方面,当序列长度n 小于表示维度d 时,self-attention层比循环层快,这是机器翻译中最先进的模型最常见情况,例如word-piece表示法和byte-pair表示法。为了提高涉及很长序列的任务的计算性能,可以将self-attention限制在仅考虑大小为r 的邻域。 这会将最大路径长度增加到O(n ∕ r)。我们计划在未来的工作中进一步调查这种方法。
核宽度为k < n的单层卷积不会连接每一对输入和输出的位置。要这么做,在邻近核的情况下需要O(n∕k) 个卷积层,在扩展卷积的情况下需要O(logk(n)) 个层,它们增加了网络中任意两个位置之间的最长路径的长度。卷积层通常比循环层更昂贵,与因子k有关。然而,可分卷积大幅减少复杂度到O(k ⋅n⋅d + n⋅d2)。然而,即使k = n,一个可分卷积的复杂度等同于self-attention层和point-wise前向层的组合,即我们的模型采用的方法。
间接的好处是self-attention可以产生更可解释的模型。我们从我们的模型中研究attention的分布,并在附录中展示和讨论示例。每个attention head不仅清楚地学习到执行不同的任务,许多似乎展现与句子的句法和语义结构的行为。
本节介绍我们的模型训练方法。
我们在标准的WMT 2014 English-German dataset上进行了训练,其中包含约450万个句子对。这些句子使用byte-pair编码进行编码,源语句和目标语句共享大约37000个词符的词汇表。对于英语-法语翻译,我们使用大得多的WMT 2014 English-French dataset,它包含3600万个句子,并将词符分成32000个word-piece词汇表。序列长度相近的句子一起进行批处理。每个训练批处理的句子对包含大约25000个源词符和25000个目标词符。
我们在一台具有8个NVIDIA P100 GPU的机器上训练我们的模型。使用本文描述的超参数的基础模型,每个训练步骤耗时约0.4秒。我们的基础模型共训练了10万步或12小时。对于我们的大型模型(在表3的底部描述),步长为1.0秒。大型模型接受了30万步(3.5天)的训练。
我们使用Adam优化,其中β1= 0.9, β2= 0.98 及ϵ = 10-9。 我们根据以下公式在训练过程中改变学习率:
这对应于在第一次warmup_steps 步骤中线性地增加学习速率,并且随后将其与步骤数的平方根成比例地减小。我们使用 warmup_steps = 4000。
训练期间我们采用两种正则化:
Residual Dropout
我们将dropout应用到每个子层的输出,在将它与子层的输入相加和规范化之前。此外,在编码器和解码器堆栈中,我们将dropout应用到嵌入和位置编码的和。对于基本模型,我们使用Pdrop= 0.1。
Label Smoothing
在训练过程中,我们使用的label smoothing的值为ϵls= 0.1。这让模型不易理解,因为模型学得更加不确定,但提高了准确性和BLEU得分。
在WMT 2014英语-德语翻译任务中,大型transformer模型(表2中的Transformer (big))比以前发布的最佳模型(包括整合模型)高出2.0 个BLEU以上,确立了一个全新的最高BLEU分数为28.4。该模型的配置列在表3的底部。训练在8 个P100 GPU上花费3.5 天。即使我们的基础模型也超过了以前发布的所有模型和整合模型,且训练成本只是这些模型的一小部分。
在WMT 2014英语-法语翻译任务中,我们的大型模型的BLEU得分为41.0,超过了之前发布的所有单一模型,训练成本低于先前最先进模型的1∕4 。英语-法语的Transformer (big) 模型使用丢弃率为Pdrop= 0.1,而不是0.3。
对于基础模型,我们使用的单个模型来自最后5个检查点的平均值,这些检查点每10分钟写一次。对于大型模型,我们对最后20个检查点进行了平均 我们使用beam search,beam大小为4 ,长度惩罚α = 0.6。这些超参数是在开发集上进行实验后选定的。在推断时,我们设置最大输出长度为输入长度+50,但在可能时尽早终止。
表2总结了我们的结果,并将我们的翻译质量和训练成本与文献中的其他模型体系结构进行了比较。我们通过将训练时间、所使用的GPU的数量以及每个GPU的持续单精度浮点能力的估计相乘来估计用于训练模型的浮点运算的数量。
为了评估Transformer不同组件的重要性,我们以不同的方式改变我们的基础模型,测量开发集newstest2013上英文-德文翻译的性能变化。我们使用前一节所述的beam search,但没有平均检查点。我们在表3中列出这些结果。
在表3的行(A) 中,我们改变attention head的数量和attention key和value的维度,保持计算量不变,如3.2.2节所述。虽然只有一个head attention比最佳设置差0.9 BLEU,但质量也随着head太多而下降。
在表3行(B) 中,我们观察到减小key的大小dk会有损模型质量。这表明确定兼容性并不容易,并且比点积更复杂的兼容性函数可能更有用。我们在行(C)和(D) 中进一步观察到,如预期的那样,更大的模型更好,并且dropout对避免过度拟合非常有帮助。 在行(E) 中,我们用学习到的位置嵌入来替换我们的正弦位置编码,并观察到与基本模型几乎相同的结果。
在这项工作中,我们介绍了Transformer,这是第一个完全基于注意力的序列转换模型,用多头注意力代替了编码器-解码器架构中最常用的循环层。
对于翻译任务,Transformer可以比基于循环或卷积层的体系结构训练更快。在WMT 2014 English-to-German和and WMT 2014 English-to-French翻译任务中,我们取得了最好的结果。在前面的任务中,我们最好的模型甚至胜过以前发表过的所有整合模型。
我们对基于注意力的模型的未来感到兴奋,并计划将它们应用于其他任务。 我们计划将Transformer扩展到除文本之外的涉及输入和输出模式的问题中,并研究局部的、受限attention机制以有效处理大型输入和输出,如图像、音频和视频。让生成具有更少的顺序性是我们的另一个研究目标。
我们用于训练和评估模型的代码可以在https://github.com/tensorflow/tensor2tensor上获得。