机器之心

　　数小时前发表的论文《DeepNet:Scoling Transformers to 1000 Layers》来自微软研究院。　　这项研究将Transformer的深度直接提高到1000层！　　接下来，让我们来看看你在这项研究中说了什么吧。　　近年来，在大规模的Transformer模型中，随着模型参数从数百万增加到几十亿，甚至数　　数小时前发表的论文《DeepNet:Scoling Transformers to 1000 Layers》来自微软研究院。　　这项研究将Transformer的深度直接提高到1000层！　　接下来，让我们来看看你在这项研究中说了什么吧。　　近年来，在大规模的Transformer模型中，随着模型参数从数百万增加到几十亿，甚至数兆，性能有显著提高的倾向。大规模模型在一系列任务中获得SOTA性能，并显示了在小样本和零样本学习设置中受到关注的能力。如下面的图1所示，参数量已经大，Transformer模型的深度被限制为训练不稳定。　　　　Nguyen和Salazar（2019）发现，基于post-norm连接（Post-LN），pre-norm残差连接（Proe-LN）提高了Transformer的稳定性。然而，下层中的Ple-LN的梯度往往大于上层，并且与Post-LN相比性能降低。为了缓解这个问题，研究人员努力通过更好的初始化或更好的架构来优化深度Transformer。这些方法可以稳定到数百层的Transformer模型，但是传统方法没有成功地扩展到1000层。　　微软研究院在新论文《DeepNet:Scoling Transformers to 1000 Layers》中，将Transformer的深度扩大到1000层。　　　　论文地址：　　https://arxiv.org/pdf/2203.00555.pdf　　研究人员的目标是提高Transformer模型的训练稳定性，并将模型深度扩展几级。因此，他们研究了不稳定优化的原因，发现爆炸模型的更新是不稳定的元凶。基于这些观察，我们将DEEPNORM引入残差连接，该DEEPNORM是一个理论有效的归一化函数，用于限制模型更新的常数。这个方法简单而高效，只需要更改几行代码。最终，该方法实现了提高Transformer模型的稳定性，并将模型深度扩展到1000多层。　　此外，实验结果表明，DEEPNORM可以有效地结合Post-LN的良好性能和Pre-LN的稳定训练。研究人员提出的方法是Transformers的第一选择的替代方案，不仅可以应用于非常深的（超过1000层）模型，也可以应用于现有的大规模模型。另外，在大规模多语种机器翻译标准中，32亿参数的200层模型（DeepNet）比120亿参数的48层SOTA模型（Facebook AI的M2M模型）提高了5%的BLEU值。　　如图2所示，用PostLN实现基于Transformer的方法是简单的。与Post-LN相比，DEEPNORM在执行层归一化之前将残差连接到up-scale。　　　　图2:（a）DEEPNORM的伪代码可以使用其他标准初始化来代替例如Xavier初始化（Glot and Bengio，2010）。α常数。（b）不同架构的DEEPNORM参数（N层编码器、M层解码器）。　　此外，这项研究在初始化期间还初始化了down-Sale的参数。值得注意的是，这项研究仅扩展前馈网络的权重和注意力层的值投影和输出投影。此外，残差连接和初始化的规模取决于图2的不同架构。　　这项研究分析了深度Transformer不稳定的原因。　　首先，根据研究人员的观察，更好的初始化方法可以使Transformer的训练更加稳定。到目前为止的工作（Zhangetal，2019a；华为etal，2020；Xuetal，2021）也得到了确认。　　因此，我们分析了适当初始化的Post-LN的训练过程的有无。通过更好的初始化，在执行Xavier初始化之后　　　　第l层的重量。例如，第1层FFN的输出投影　　　　初期化　　　　其中d’是输入/输出维度的平均值。研究人员将这个模型命名为Post-Linit。与之前的工作（Zhangetal，2019a）不同，请注意Post-Linit缩小了较低级别的扩展，而不是较高级别。研究人员认为，这种方法有助于将梯度扩展的影响与模型更新区分开来。此外，Post-Linit具有与Post-LN相同的架构，以消除架构的影响。　　这项研究在IWSLT-14 De-En机械翻译数据组上训练了18L-18L Post-LN和18L-18L Post-LN init。图3显示了这些梯度和验证损耗曲线。如图3C所示，Post-Linit收敛，但是Post-LN不收敛。尽管权重按比例减小，Post-Linit在最后一层具有更大的梯度范数。此外，研究人员还显示了从6L-6L到24L-24L的模型深度的最后解码器层的梯度范数。　　下一图3示出了与模型的深度无关的最后一层Post-Linit的梯度图案远大于Post-LN的梯度图案。我们得出的结论是，深层梯度爆炸不应该是Post-LN不稳定的根本原因，而模型更新的扩展通常可以解释这一点。　　　　此后，研究人员证实，Post-LN的不稳定性是由一系列问题引起的，包括梯度的消失和大模型更新。如图4A所示，首先可视化模型更新的范数。ΔF‖训练的初期阶段：　　　　在这里和xθ_i分别表示输入和第i次更新后的模型参数。Post-LN从训练开始就有爆炸性的更新，几乎没有马上更新。这表明这个模型陷入了虚假的局部优化。　　warm-up和更好的初始化有助于缓解这个问题，顺利更新模型。当更新爆炸时，LN的输入变大（参照图4（b）以及图4（c））。根据Xiong等（2020）的理论分析，LN的梯度大小与输入的大小成反比。　　　　与没有warm-up或没有正确初始化的情况相比，图4（b）和图4（c）示出了|x||显著大。　　　　。这描述了Post-LN训练中的梯度消失问题（参见图4（d））。　　最重要的是，不稳定性从训练开始时的大型模型更新开始。它使模型陷入恶劣的局部最佳状态，反而增加了每LN的输入量。随着训练的持续，通过LN的梯度越来越小，从而导致严重的梯度消失，难以从局部优化中摆脱，并且进一步破坏了优化的稳定性。相反，Post-Linit的更新相对较小，向LN的输入相对稳定。这减轻了梯度消失的问题，使优化更加稳定。　　研究人员首先介绍了一个非常深的Transformer模型DeepNet，它可以通过缓解爆炸模型更新问题来稳定优化过程。　　DeepNet基于Transformer架构。与原版Transformer相比，DeepNet在每个子层使用了新的方法DEEPNORM，而不是传统的Post-LN。DEEPNORM的官方如下。　　　　在这里α常数Gl(x_l , θ_l）参数为θ_第l个Transformer子层（即注意力或前馈网络）的函数。DeepNet还将残差内部的权重θ_扩展β。　　接下来，研究人员提供了DeepNet模型的更新预测尺寸的估计。　　他们在IWSLT-14 De-En翻译数据组上，使Post-LN和DeepNet的初始训练阶段的模型更新情况如图5所示那样可视化。与Post-LN相比，DeepNet的模型更新保持大致恒定。　　　　最后，研究人员提供了理论分析，表明DeepNet的更新受DEEPNORM常数的限制。具体而言，DeepNet的预测模型更新显示了适当的参数。α 以及β的常数。研究人员的分析是基于SGD更新的，并证明了Adam optimina的良好效果。　　研究人员提供了编码器-解码器架构的分析，编码器-解码器架构可以自然地扩展到仅编码器和解码器的模型。具体来说，如下图所示，将模型更新的目标设定为：。　　　　仅编码器（例如BERT）和仅解码器（例如GPT）架构的导出可以以相同的方式进行。研究人员总结了以下程序。　　　　这项研究验证了DeepNet在大众机器翻译标准中的有效性，包括IWSLT-14德语（De-En）数据集和WMT-17英语-德语（En-De）数据集。这项研究比较了多个SOTA深度Transformer模型，包括DLLCL，正规Former，ReZero，R-Fexup，T-Fixup，DS-iit和Admin。　　表1报告了WMT-17En-de翻译数据组上的基线和DeepNet的结果。　　　　图6是示出IWSLT-14数据集的结果的图　　　　图7报告WMT-17验证集的损耗曲线　　　　在这项研究中，我们首先使用OPPUS-100语料库来评估模型。OPUS 100是以英语为中心的多语言语料库，覆盖100种语言并从OPUS集合随机提取。这项研究将DeepNet扩展到1000层，该模型有500层编码器500层解码器512个隐藏尺寸，8个注意力头，2048维前馈层。　　表2总结了DeepNet和基线的结果。结果表明，网络深度的增加显着提高了NMT的翻译质量：48层模型比12层模型平均提高了3.2点。DeepNet成功将4.4 BLEU的深度扩展到1000层。DeepNet只训练4个epoch，应该注意到如果计算预算增加的话，性能就能进一步提高。　　　　深度扩展定律：本研究在OPUS 100数据集上训练了具有{12，2010，010001000}层的DeepNet，图8显示深度扩展曲线。与双语NMT相比，多语NMT从扩展模型的深度获得更多的益处。观察到多语言NMT的BLEU值在对数上增加，法则可以写作L（d）＝A log（d）+B，其中d是深度，A，B是其他超参数的常数。　　　　更多数据和语言描述：本研究随后使用Schwenk等人提出的CCMatrix扩展训练数据来搜索多国NMT中DeepNet的极限。此外，本研究还扩展了CCAligned、OPUS和Tatoeba的数据，以覆盖Flowers 101评估集的所有语言。最终数据由102个语言、1932个方向、12B对组成。利用这些数据，本研究使用100层编码器、100层解码器、1024个隐藏维度、16个头部、4096个前馈层中间维度来训练DeepNet。　　在这项研究中，DeepNet与SOTA多语言NMT模型M2M-100进行了比较。M2M-100具有24层编码器、24层解码器和4096个隐藏大小，并且生成到12B的参数。与M2M-100相比，DeepNet深窄，参数仅为3.2B。　　在M2M-100之后，本研究在包括WMT、OPS、TED、Flowes的若干多语种翻译评估数据集合上评估模型。WMT的语言对以英语为中心。包括英语在内的10种语言中，大部分是高资源语言。对于OPUS数据集，这项研究从包括30个评估对的测试集中选择了非英语方向。TED评估组有28种语言和756种方向，数据来自口语区域。Flares数据集包含102种语言的全部翻译对。这项研究使用覆盖M2M-100和DeepNet支持的语言的子集来生成87种语言和7482种翻译方向。　　表3报告与基线相同的评估方法的结果，以进行公平比较。结果表明，DeepNet的所有评估数据集的性能明显优于M2M-100，表明深化模型是提高NMT模型质量的非常有前途的方向。　　　　有兴趣的读者可以阅读论文的原文，了解更详细的内容。详情