NLP-生成模型-2019：TransformerXL【对Vanilla Transformer的改进：片段级递归机制、相对位置编码】【超出固定长度上下文的注意力语言模型】

《原始论文：Transformer-XL: Attentive Language Models Beyond a Fixed-Length Context》

一、概述

一句话简介：Transformer-XL架构在vanilla Transformer的基础上引入了两点创新：循环机制（Recurrence Mechanism）和相对位置编码（Relative Positional Encoding），以克服vanilla Transformer的长距离获取弱的缺点。

要正确理解一篇文章，有时需要参考出现在几千个单词前面的一个单词或一个句子。这是一个长期依赖性(long-range dependence)的例子，这是序列数据中常见的现象，处理许多现实世界的任务都必须理解这种依赖。

虽然人类很自然地就会这样做，但是用神经网络建模长期依赖关系仍然很具挑战性。

基于Gating的RNN和梯度裁剪(gradient clipping)技术提高了对长期依赖关性建模的能力，但仍不足以完全解决这个问题。

应对这个挑战的一种方法是使用Transformers，它允许数据单元之间直接连接，能够更好地捕获长期依赖关系。

Transformer 是谷歌在 17 年做机器翻译任务的 “Attention is all you need” 论文中提出的，引起了相当大的反响，业内有“每一位从事 NLP 研发的同仁都应该透彻搞明白 Transformer”的说法。

1、Transformer结构特点：

1. 全部用self-attention的自注意力机制。
2. 在self-attention的基础上改进了Multi-Attention和Mask Multi-Attention两种多头注意力机制。
3. 网络由多个层组成，每个层都由多头注意力机制和前馈网络构成。
4. 由于在全局进行注意力机制的计算，忽略了序列中最重要的位置信息，添加了位置编码（Position Encoding），使用正弦函数完成，为每个部分的位置生成位置向量。

Transformer模型在输入时采用的是固定长度序列输入，且Transformer模型的时间复杂度和句子/序列长度的平方成正比（每一层的复杂度：$O(n^2\cdot d)$，$n$ 为句子/序列长度，$d$ 为词向量维度），因此一般序列长度都限制在最大512，因为太大的长度，模型训练的时间消耗太大。

此外Transformer模型又不像RNN这种结构，可以将最后时间输出的隐层向量作为整个序列的表示，然后作为下一序列的初始化输入。所以用Transformer训练语言模型时，不同的序列之间是没有联系的，因此这样的Transformer在长距离依赖的捕获能力是不够的，此外在处理长文本的时候，若是将文本分为多个固定长度的片段，对于连续的文本，这无异于将文本的整体性破坏了，导致了文本的碎片化，这也是Transformer-XL被提出的原因。

2、Vanilla Transformer

Transformer 作为一种特征提取器，在NLP中有广泛的应用。但是 Transformer 需要对输入序列设置一个固定的长度，比如在BERT中，默认长度是512。如果文本序列长度短于固定长度，可以通过填充的方式来解决。如果序列长度超过固定长度，处理起来就比较麻烦。

一种处理方式，就是将文本划分为多个segments。

• 训练的时候，对每个segment单独处理，segments之间没有联系，如下图(a)所示。
• 在预测的时候，会对固定长度的segment做计算，一般取最后一个位置的隐向量作为输出。为了充分利用上下文关系，在每做完一次预测之后，就对整个序列向右移动一个位置，再做一次计算，如下图(b)所示，这导致计算效率非常低。

该模型容易发现有以下缺点：

1. 上下文长度受限：字符之间的最大依赖距离受输入长度的限制，模型看不到出现在几个句子之前的单词。
2. 上下文碎片：对于长度超过512个字符的文本，都是从头开始单独训练的。段与段之间没有上下文依赖性，会让训练效率低下，也会影响模型的性能。
3. 推理速度慢：在测试阶段，每次预测下一个单词，都需要重新构建一遍上下文，并从头开始计算，这样的计算速度非常慢。
4. Vallina model不同segement对应的相同的位置如果采用同样的 positonal encoding就会导致难以区分。
5. Vallina model在预测的时候每次都只能预测一个postion 的概率，这样预测的效率低下。

在语言建模中，Transformers目前使用固定长度的上下文来实现，即将一个长的文本序列截断为几百个字符的固定长度片段，然后分别处理每个片段。

如下图所示，VanillaTransformer模型在训练时具有固定长度上下文:

这造成了两个关键的限制：

• 算法无法建模超过固定长度的依赖关系。
• 被分割的片段通常不考虑句子边界，导致上下文碎片化，从而导致优化低效。即使是对于长期依赖性不显著的较短序列，这也是特别麻烦的。

为了解决这些限制，谷歌提出一个新的架构：Transformer-XL，它使自然语言的理解超出了固定长度的上下文。Transformer-XL是基于Vanilla Transformer这个模型进行的改进。

3、TransformerXL的历史意义

Transformer-xl采用了片段级递归机制，从而提高了语言模型的长距离依赖，对长文本的编码更加有效。 Transformer-xl在文本生成任务上具有不错的效果。

1. Transformer在获取长度依赖上受制于固定长度，本文提出了Transformer-xl模型能解决该问题。
2. Transformer-xl模型提出了片段级递归机制 和 相对位置编码，并且能够解决片段之间联系丢失的问题。
3. Transformer-xl模型在学习长度依赖的问题上比rnn要长80%、比vallina transformer要长450%，和start-of-the-art的bpc/ppl结果相比，在enwiki8上的结果0.99、在text8上的结果为1.08、在WikiText-103上的结果为18.3、在one-billion上的结果为21.8、在Penn Treebank上的结果为54.5。

Transformer-XL在各种主要的语言建模(LM)基准测试中获得新的最优(SoTA)结果，包括长序列和短序列上的字符级和单词级任务。实验证明， Transformer-XL 有以下优势：

1. Transformer-XL学习的依赖关系比RNN长约80%，比vanilla Transformers模型长450%，尽管后者在性能上比RNN好，但由于固定长度上下文的限制，对于建模长期依赖关系并不是最好的。
2. 由于不需要重复计算，Transformer-XL在语言建模任务的评估期间比vanilla Transformer快1800+倍。
3. 由于建模长期依赖关系的能力，Transformer-XL在长序列上具有更好的困惑度(Perplexity, 预测样本方面更准确)，并且通过解决上下文碎片化问题，在短序列上也具有更好的性能。
4. Transformer-XL在5个数据集上的结果如下：
   
5. Transformer-xl模型预测时的Attention的长度可以和训练时的长度不一样；比如训练时设置为384，预测时设置为1600，这样预测的速度会更快；
   

二、TransformerXL结构解析

Transformer-XL架构在vanilla Transformer的基础上引入了两点创新来克服vanilla Transformer的缺点。：

• 片段级递归机制（Segment-Level Recurrence Mechanism）；
• 相对位置编码（Relative Positional Encoding）；

与vanilla Transformer相比，Transformer-XL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。

VanillaTransformer模型在训练时具有固定长度上下文	TransformerXL训练阶段为新段前面的token提供了必要的上下文

当这两种方法结合使用时，在评估时， Transformer-XL比vanilla Transformer模型具有更长的有效上下文。

在评估期间具有固定长度上下文的vanilla Transformer	在评估期间具有segment-level 递归的Transformer-XL
移动步长为1个token	移动步长为一个segment

1、Segment 循环机制

与vanilla Transformer的基本思路一样，Transformer-XL仍然是使用分段的方式进行建模，但其与vanilla Transformer的本质不同是在于引入了段与段之间的循环机制，使得当前段在建模的时候能够利用之前段的信息来实现长期依赖性。如下图所示：

在训练期间，为前一个 Segment 计算的 Representation 被修复并缓存，以便在模型处理下一个新的 Segment 时作为扩展上下文重新利用。这个额外的连接将最大可能依赖关系长度增加了N倍（N个Segment的长度），其中N表示网络的深度，因为上下文信息现在可以跨片段边界流动。

在训练阶段，处理后面的段时，每个隐藏层都会接收两个输入：

1. 该段的前面隐藏层的输出，与vanilla Transformer相同（上图的灰色线）。
2. 前面段的隐藏层的输出（上图的绿色线），可以使模型创建长期依赖关系。

此外，这种递归机制还解决了上下文碎片问题，为新段前面的token提供了必要的上下文。

RNN 的语言模型的 Recurrence Dependency在同一层layer之间，而TransformerXL可以在不同layer之间，因此 Depency Length为 $O(N\times L)$

这两个输入会被拼接，然后用于计算当前段的Key和Value矩阵。对于某个段的某一层的具体计算公式如下：

• 第一个式子：
  • $\tau$ 表示上一片段，$\tau +1$ 表示下一片段。
  • 将上一片段的输出缓存起来，然后直接和下一片段的隐层拼接在一起，得到上面的第一个式子。
  • 在这里SG()的含义是stop-gradient。当进行到 $\tau +1$ 时间步时，不再对 $\tau$ Segment的梯度再次计算，因为在 $\tau$ 时刻已经计算过了；
• 第二个式子
  • 计算Query的时候只是用本segment的信息$h_{\tau +1}^{n-1}$，而计算Key和Value的时候用的是${\tilde{h}}_{\tau +1}^{n-1}$；
  • 引入了上一片段的隐层表示只会用在key和value上，对于query还是保持原来的样子（得到中间的表达式形态）。
  • 这样做也好理解，query只是表示查询的词，而key，value表示的是这个查询的词的相关信息，我们要改变的是只是信息，因此只要在key，value中引入上一片段的信息就可以了。
• 第三个式子
  • 将 $\tau +1$ 时间步的 Q、K、V喂给 Transformer-Layer；剩下的就和Transformer一致

原则上只要 GPU 内存允许，该方法可以利用前面更多段的信息，测试阶段也可以获得更长的依赖（类似于 DenseNet）。

在测试阶段，与vanilla Transformer相比，其速度也会更快：在vanilla Transformer中，一次只能前进一个step，并且需要重新构建段，并全部从头开始计算；而在Transformer-XL中，每次可以前进一整个段，并利用之前段的数据来预测当前段的输出。

2、相对位置编码

天真地应用 segment-level recurrence是行不通的，因为当我们重用前面的段时，位置编码是不一致的。

例如，考虑一个具有上下文位置[0,1,2,3]的旧段。当处理一个新的段时，我们将两个段合并，得到位置[0,1,2,3,0,1,2,3]，其中每个位置id的语义在整个序列中是不连贯的。

在Transformer中，一个重要的地方在于其考虑了序列的位置信息。在分段的情况下，如果仅仅对于每个段仍直接使用Transformer中的位置编码，即每个不同段在同一个位置上的表示使用相同的位置编码，就会出现问题。（下式中U表示位置向量）

为此，我们提出了一种新的相对位置编码方案，使递归机制成为可能。

此外，与其他相对位置编码方案不同，我们的公式使用具有learnable transformations的固定嵌入，而不是earnable embeddings，因此在测试时更适用于较长的序列。

论文对于这个问题，提出了一种新的位置编码的方式，即会根据词之间的相对距离而非像Transformer中的绝对位置进行编码。Transformer中的attention权重计算公式如下：

将其展开可以分解成下面四个部分。 第一层的计算查询和键之间的attention分数的方式为：

E表示embedding，U 表示位置向量。在Transformer-XL中，对上述的attention计算方式进行了变换，转为相对位置的计算，而且不仅仅在第一层这么计算，在每一层都是这样计算。

对比来看：

1. 在(b)和(d)这两项中，将所有绝对位置向量都转为相对位置向量 ，与Transformer一样，这是一个固定的编码向量，不需要学习。
2. 在(c)这一项中，将查询的向量 $U_i^T{W}_q^T$ 转为一个需要学习的参数向量 $u$，因为在考虑相对位置的时候，不需要查询绝对位置 $i$，因此对于任意的 $i$，都可以采用同样的向量。同理，在(d)这一项中，也是一样
3. 将Key的权重变换矩阵 $W_k$ 转为 $W_{k,E}$ 和 $W_{k,R}$，分别作为 Content-based key vectors和 Location-based key vectors。

从另一个角度来解读这个公式的话，可以将attention的计算分为如下四个部分：

1. 基于内容的"寻址"，即没有添加原始位置编码的原始分数。
2. 基于内容的位置偏置，即相对于当前内容的位置偏差。
3. 全局的内容偏置，用于衡量key的重要性。
4. 全局的位置偏置，根据query和key之间的距离调整重要性。

将上面的式子合并后，可以得到：

上面整个即使Transformer-XL的两个改变：前面是内容，后面是位置。

3、整体公式计算

结合上面两个创新点，将Transformer-XL模型的整体计算公式整理如下，这里考虑一个N层的只有一个注意力头的模型：

4、计算小Trick：Efficient Computation of the Attention with Relative Positional Embedding

四、论文相关

1、模型特点

在 AI-Rfou 等人提出的vanilla Transformer上做了两点创新：

1. 引入循环机制（Recurrence Mechanism）
2. 相对位置编码（Relative Positional Encoding），这个是解决上面创新带来的问题而产生的。

2、优点

1. 与vanilla Transformer相比，Transformer-XL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【说明：这个没有理解从哪方面体现的】。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。
2. 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。
3. 在inference阶段非常快，比之前最先进的利用Transformer模型进行语言建模的方法快300～1800倍。
4. 有详尽的源码！含TensorFlow和PyTorch版本的，并且有TensorFlow预训练好的模型及各个数据集上详尽的超参数设置。

3、不足

尚未在具体的NLP任务如情感分析、QA等上应用。
没有给出与其他的基于Transformer的模型，如BERT等，对比有何优势。
在Github源码中提到，目前的sota结果是在TPU大集群上训练得出，对于我等渣机器党就只能玩玩base模式了。

enwik8和text8数据集

---

---

---

参考资料：
The Transformer Family
【NLP-16】Transformer-XL
7. Transformer-XL原理介绍
一文看懂 9 种Transformer结构！
谷歌升级版Transformer官方解读：更大、更强，解决长文本问题（开源）
Transformer一统江湖：自然语言处理三大特征抽取器比较
谷歌升级版Transformer官方解读：更大、更强，解决长文本问题（开源）
Transformer-XL: Unleashing the Potential of Attention Models