選自 Ahead of AI

作者：Sebastian Raschka

(資料圖片)

機(jī)器之心編譯

編輯：馬梓文

從四篇論文入手，Sebastian 再談 Transformer 架構(gòu)圖。

前段時(shí)間，一條指出谷歌大腦團(tuán)隊(duì)論文《Attention Is All You Need》中 Transformer 構(gòu)架圖與代碼不一致的推文引發(fā)了大量的討論。

對(duì)于 Sebastian 的這一發(fā)現(xiàn)，有人認(rèn)為屬于無心之過，但同時(shí)也會(huì)令人感到奇怪。畢竟，考慮到 Transformer 論文的流行程度，這個(gè)不一致問題早就應(yīng)該被提及 1000 次。

Sebastian Raschka 在回答網(wǎng)友評(píng)論時(shí)說，「最最原始」的代碼確實(shí)與架構(gòu)圖一致，但 2017 年提交的代碼版本進(jìn)行了修改，但同時(shí)沒有更新架構(gòu)圖。這也是造成「不一致」討論的根本原因。

隨后，Sebastian 在 Ahead of AI 發(fā)布文章專門講述了為什么最初的 Transformer 構(gòu)架圖與代碼不一致，并引用了多篇論文簡要說明了 Transformer 的發(fā)展變化。

以下為文章原文，讓我們一起看看文章到底講述了什么：

幾個(gè)月前，我分享了《Understanding Large Language Models: A Cross-Section of the Most Relevant Literature To Get Up to Speed》，積極的反饋非常鼓舞人心！因此，我添加了一些論文，以保持列表的新鮮感和相關(guān)性。

同時(shí)，保持列表簡明扼要是至關(guān)重要的，這樣大家就可以用合理的時(shí)間就跟上進(jìn)度。還有一些論文，信息量很大，想來也應(yīng)該包括在內(nèi)。

我想分享四篇有用的論文，從歷史的角度來理解 Transformer。雖然我只是直接將它們添加到理解大型語言模型的文章中，但我也在這篇文章中單獨(dú)來分享它們，以便那些之前已經(jīng)閱讀過理解大型語言模型的人更容易找到它們。

On Layer Normalization in the Transformer Architecture ( 2020 )

雖然下圖（左）的 Transformer 原始圖（https://arxiv.org/abs/1706.03762）是對(duì)原始編碼器 - 解碼器架構(gòu)的有用總結(jié)，但該圖有一個(gè)小小的差異。例如，它在殘差塊之間進(jìn)行了層歸一化，這與原始 Transformer 論文附帶的官方 ( 更新后的） 代碼實(shí)現(xiàn)不匹配。下圖（中）所示的變體被稱為 Post-LN Transformer。

Transformer 架構(gòu)論文中的層歸一化表明，Pre-LN 工作得更好，可以解決梯度問題，如下所示。許多體系架構(gòu)在實(shí)踐中采用了這種方法，但它可能導(dǎo)致表征的崩潰。

因此，雖然仍然有關(guān)于使用 Post-LN 或前 Pre-LN 的討論，也有一篇新論文提出了將兩個(gè)一起應(yīng)用：《 ResiDual: Transformer with Dual Residual Connections》（https://arxiv.org/abs/2304.14802），但它在實(shí)踐中是否有用還有待觀察。

圖注：圖源 https://arxiv.org/abs/1706.03762 ( 左 & 中 ) and https://arxiv.org/abs/2002.04745 ( 右）

Learning to Control Fast-Weight Memories: An Alternative to Dynamic Recurrent Neural Networks ( 1991 )

這篇文章推薦給那些對(duì)歷史花絮和早期方法感興趣的人，這些方法基本上類似于現(xiàn)代 Transformer。

例如，在比 Transformer 論文早 25 年的 1991 年，Juergen Schmidhuber 提出了一種遞歸神經(jīng)網(wǎng)絡(luò)的替代方案（https://www.semanticscholar.org/paper/Learning-to-Control-Fast-Weight-Memories%3A-An-to-Schmidhuber/bc22e87a26d020215afe91c751e5bdaddd8e4922），稱為 Fast Weight Programmers ( FWP ) 。FWP 方法涉及一個(gè)前饋神經(jīng)網(wǎng)絡(luò)，它通過梯度下降緩慢學(xué)習(xí)，來編程另一個(gè)神經(jīng)網(wǎng)絡(luò)的快速權(quán)值的變化。

這篇博客 ( https://people.idsia.ch//~juergen/fast-weight-programmer-1991-transformer.html#sec2 ) 將其與現(xiàn)代 Transformer 進(jìn)行類比，如下所示 :

在今天的 Transformer 術(shù)語中，F(xiàn)ROM 和 TO 分別稱為鍵 ( key ) 和值 ( value ) 。應(yīng)用快速網(wǎng)絡(luò)的輸入稱為查詢。本質(zhì)上，查詢由快速權(quán)重矩陣 ( fast weight matrix ) 處理，它是鍵和值的外積之和 ( 忽略歸一化和投影 ) 。由于兩個(gè)網(wǎng)絡(luò)的所有操作都是可微的，我們通過加法外積或二階張量積獲得了端到端可微主動(dòng)控制的權(quán)值快速變化。因此，慢速網(wǎng)絡(luò)可以通過梯度下降學(xué)習(xí)，在序列處理期間快速修改快速網(wǎng)絡(luò)。這在數(shù)學(xué)上等同于 ( 除了歸一化之外 ) 后來被稱為具有線性化自注意的 Transformer ( 或線性 Transformer ) 。

正如上文摘錄所提到的，這種方法現(xiàn)在被稱為線性 Transformer 或具有線性化自注意的 Transformer。它們來自于 2020 年出現(xiàn)在 arXiv 上的論文《Transformers are RNNs: Fast Autoregressive Transformers with Linear Attention 》（https://arxiv.org/abs/2006.16236）以及《Rethinking Attention with Performers》（https://arxiv.org/abs/2009.14794）。

2021 年，論文《Linear Transformers Are Secretly Fast Weight Programmers》（https://arxiv.org/abs/2102.11174）明確表明了線性化自注意力和 20 世紀(jì) 90 年代的快速權(quán)重編程器之間的等價(jià)性。

圖源：https://people.idsia.ch//~juergen/fast-weight-programmer-1991-transformer.html#sec2

Universal Language Model Fine-tuning for Text Classification ( 2018 )

這是另一篇從歷史角度來看非常有趣的論文。它是在原版《Attention Is All You Need》發(fā)布一年后寫的，并沒有涉及 transformer，而是專注于循環(huán)神經(jīng)網(wǎng)絡(luò)，但它仍然值得關(guān)注。因?yàn)樗行У靥岢隽祟A(yù)訓(xùn)練語言模型和遷移學(xué)習(xí)的下游任務(wù)。雖然遷移學(xué)習(xí)已經(jīng)在計(jì)算機(jī)視覺中確立，但在自然語言處理 ( NLP ) 領(lǐng)域還沒有普及。ULMFit（https://arxiv.org/abs/1801.06146）是首批表明預(yù)訓(xùn)練語言模型在特定任務(wù)上對(duì)其進(jìn)行微調(diào)后，可以在許多 NLP 任務(wù)中產(chǎn)生 SOTA 結(jié)果的論文之一。

ULMFit 建議的語言模型微調(diào)過程分為三個(gè)階段 :

1. 在大量的文本語料庫上訓(xùn)練語言模型；

2. 根據(jù)任務(wù)特定的數(shù)據(jù)對(duì)預(yù)訓(xùn)練的語言模型進(jìn)行微調(diào)，使其能夠適應(yīng)文本的特定風(fēng)格和詞匯；

3. 微調(diào)特定任務(wù)數(shù)據(jù)上的分類器，通過逐步解凍各層來避免災(zāi)難性遺忘。

在大型語料庫上訓(xùn)練語言模型，然后在下游任務(wù)上對(duì)其進(jìn)行微調(diào)的這種方法，是基于 Transformer 的模型和基礎(chǔ)模型 ( 如 BERT、GPT-2/3/4、RoBERTa 等 ) 使用的核心方法。

然而，作為 ULMFiT 的關(guān)鍵部分，逐步解凍通常在實(shí)踐中不進(jìn)行，因?yàn)?Transformer 架構(gòu)通常一次性對(duì)所有層進(jìn)行微調(diào)。

Gopher 是一篇特別好的論文（https://arxiv.org/abs/2112.11446），包括大量的分析來理解 LLM 訓(xùn)練。研究人員在 3000 億個(gè) token 上訓(xùn)練了一個(gè) 80 層的 2800 億參數(shù)模型。其中包括一些有趣的架構(gòu)修改，比如使用 RMSNorm ( 均方根歸一化 ) 而不是 LayerNorm ( 層歸一化 ) 。LayerNorm 和 RMSNorm 都優(yōu)于 BatchNorm，因?yàn)樗鼈儾痪窒抻谂幚泶笮。膊恍枰剑@在批大小較小的分布式設(shè)置中是一個(gè)優(yōu)勢。RMSNorm 通常被認(rèn)為在更深的體系架構(gòu)中會(huì)穩(wěn)定訓(xùn)練。

除了上面這些有趣的花絮之外，本文的主要重點(diǎn)是分析不同規(guī)模下的任務(wù)性能分析。對(duì) 152 個(gè)不同任務(wù)的評(píng)估顯示，增加模型大小對(duì)理解、事實(shí)核查和識(shí)別有毒語言等任務(wù)最有利，而架構(gòu)擴(kuò)展對(duì)與邏輯和數(shù)學(xué)推理相關(guān)的任務(wù)從益處不大。

圖注：圖源 https://arxiv.org/abs/2112.11446

原文鏈接：https://magazine.sebastianraschka.com/p/why-the-original-transformer-figure

THE END

轉(zhuǎn)載請(qǐng)聯(lián)系本公眾號(hào)獲得授權(quán)

投稿或?qū)で髨?bào)道：content@jiqizhixin.com