Transformer家族简史（PART II）

                                                                            Fly-AI竞赛服务平台 flyai.com

在开始学习之前推荐大家可以多在   FlyAI竞赛服务平台多参加训练和竞赛，以此来提升自己的能力。FlyAI是为AI开发者提供数据竞赛并支持GPU离线训练的一站式服务平台。每周免费提供项目开源算法样例，支持算法能力变现以及快速的迭代算法模型。 

 摘要: Transformer 不同 head 所关注的序列长度 span 是不一样的，一些 head（如 Head A）重点关注附近较短的信息，而另外一些 head（如 Head B）则关注在范围更大的全文。如果能在训练中利用这一特性，就可以显著减少计算 ...

继 Transformer家族简史（PART I），PART II整理了三篇来自Facebook AI Research的论文，都比较好读： 「Span Transformer from FAIR，ACL2019」 「All-Attention from FAIR」 「PKM from FAIR，NeurIPS2019」   Adaptive Attention Span in Transformers[1] 这篇论文的重点是改进 Transformer 的计算效率，vanilla transformer 每个 attention head 处理的是等长的所有输入序列，但是在实验中发现 Transformer 不同 head 所关注的序列长度 span 是不一样的，一些 head（如 Head A）重点关注附近较短的信息，而另外一些 head（如 Head B）则关注在范围更大的全文。如果能在训练中利用这一特性，就可以显著减少计算时间和内存占用，因为两者都依赖于注意力范围的长度。 为此，作者提出一种「adaptive attention span」，可以让模型自适应地选择上下文长度进行处理。但是，attention span 的值是整数，因此是不可微的，不能像模型的其他参数那样通过反向传导直接学习它，于是通过 soft-masking function 来将其值转化为连续值。masking 函数是非递增的，将跨度距离映射到[0,1]之间的值。这样，将 masking 函数应用到每一个 attention head 之后，就可以实现 attention span 的自适应控制。具体公式如下：   整体过程如下动图， 此外，考虑了一种扩展「dynamic attention span」，根据输入动态调整 attention span； 在实现中，引用了Self-attention with relative position representations[2]和Transformer-XL[3]中的技巧； 实验结果显示在 12 层模型中，较低层的 attention span 较短，高层（8-12 层）的 attention span 较长 Reference Code Here[4] Making Transformer networks simpler and more efficient[5] Adaptive Attention Span in Transformers 分享视频[6]   Augmenting Self-attention with Persistent Memory[7] 当我们在讨论 Transformer 时，重点都在 self-attention 上，但是不要忘了网络中还有另外一层：前馈层 FFN，其包含了模型中最多的参数，大小通常是其他组件的四倍。FNN 的计算代价如此之高，那么有没有办法将模型简化呢？论文中提出将 FFN layer 替换为 attention layer，在不损失模型性能的前提下将模型结构大大简化。   2.1 FFN --> Attention 虽然表面上 FFN 和 attention 层看起来完全不同，但是通过将 FFN 中的 RELU 激活换成 Softmax 函数就可以将激活值转化为 attention weight。   2.2 All-attention 把 FFN 转化为 attention 之后就可以将原来的两层合并为一层，称为「all-attention layer」。 具体做法就是额外定义一组 key-value 向量对，称为「persistent vectors」，这些向量就和前馈子层的权值是一样的：固定的、可训练的且上下文无关的，可以捕获关于任务的 general knowledge。 2.3 Other tricks relative position embedding & catching mechanism[8] adaptive attention span[9] adaptive softmax[10] 实验结果验证了FFN层和persistent vector的重要性，缺少的话效果非常差。每一层persistent vector的数量在N=1024时已经达到比较好的效果。   2.4 reference Code Here（没找到 - -） Making Transformer networks simpler and more efficient[11] Open Review[12]   Large Memory Layers with Product Keys[13] 同样来自FAIR的工作，解决的痛点：更好的模型性能——>更大的模型capacity——>更大的计算成本。提出了一种structured memory，在明显增加模型capacity的同时计算成本的增加可以忽略不计，而且是简单可插拔式设计，下图是文中将vanilla transformer中的（部分）FFN层替换为memory layer的示例。 3.1 Overall Structure 来看整体的设计，包含了三个部分： 3.2 Product Keys 对上述公式第一步进行优化，思想来源于**product quantization**[14],   Product quantization，乘积量化，这里的乘积是指笛卡尔积（Cartesian product），意思是指把原来的向量空间分解为若干个低维向量空间的笛卡尔积，并对分解得到的低维向量空间分别做量化（quantization）。这样每个向量就能由多个低维空间的量化组合表示。 3.3 所有存储器参数都是可训练的，但是在训练时对于每个输入仅更新了少数（ 个）memory slots； 实验显示，模型增加内存比增加网络层数对效果提升更有效（12层+单内存的模型>24层无内存的模型）； 在query network配合使用「Batch Normalization」效果更佳； memory layer放置的较佳位置为模型网络的中间层；   3.4 reference Code Here[15] LeCun力荐：Facebook推出十亿参数超大容量存储器[16] Over，以及预告马上会有的PART III。   本文参考资料 [1] Adaptive Attention Span in Transformers: https://www.aclweb.org/anthology/P19-1032/ [2] Self-attention with relative position representations: http://xxx.itp.ac.cn/pdf/1803.02155.pdf [3] Transformer-XL: http://xxx.itp.ac.cn/pdf/1803.02155.pdf [4] Code Here: https://github.com/facebookresearch/adaptive-span [5] Making Transformer networks simpler and more efficient: https://ai.facebook.com/blog/making-transformer-networks-simpler-and-more-efficient/ [6] Adaptive Attention Span in Transformers分享视频: https://vimeo.com/384007585 [7] Augmenting Self-attention with Persistent Memory: https://arxiv.org/abs/1907.01470 [8] relative position embedding & catching mechanism: https://arxiv.org/abs/1901.02860 [9] adaptive attention span: https://arxiv.org/abs/1905.07799 [10] adaptive softmax: https://arxiv.org/pdf/1609.04309 [11] Making Transformer networks simpler and more efficient: https://ai.facebook.com/blog/making-transformer-networks-simpler-and-more-efficient/ [12] Open Review: https://openreview.net/forum?id=HklJdaNYPH [13] Large Memory Layers with Product Keys: https://arxiv.org/abs/1907.05242 [14] 「product quantization」: http://vividfree.github.io/%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0/2017/08/05/understanding-product-quantization [15] Code Here: https://github.com/facebookresearch/XLM [16] LeCun力荐：Facebook推出十亿参数超大容量存储器: https://dwz.cn/td8uuM7v

更多深度学习竞赛项目，大家可移步官网进行查看和参赛！

更多精彩内容请访问FlyAI-AI竞赛服务平台；为AI开发者提供数据竞赛并支持GPU离线训练的一站式服务平台；每周免费提供项目开源算法样例，支持算法能力变现以及快速的迭代算法模型。

挑战者，都在FlyAI！！！