谷歌开源先进语言模型 Transformer-XL：集 Transformer 和 RNN 之大成

近日，谷歌联合 CMU 开源了一个名为 Transformer-XL 的语言模型，它是目前处理语言建模问题最先进的架构之一 Transformer 模型的第三代升级，不仅能够处理可变长度序列，并且在多个任务中刷新了当前的最好性能（推理速度快 300-1800 倍）。

2017 年 6 月，谷歌大脑在论文《Attention Is All You Need》中提出了一个完全基于注意力机制的编解码器模型 Transformer ，它完全抛弃了之前其它模型引入注意力机制后仍然保留的循环与卷积结构，在任务表现、并行能力和易于训练性方面都有大幅提升，因此也成为了后续机器翻译和其它许多文本理解任务的重要基准模型。全新的 Transformer-XL 结合了 RNN 和 Transformer 之优点，获得了更好的性能。让我们来一起详细了解一下吧！

语言建模是 NLP 中的一种重要技术，因为它能够应用在各种 NLP 任务中，如机器翻译和主题分类等。目前，处理语言建模问题有两种最先进的架构——循环神经网络（RNN）和 Transformer。前者处理输入表征（单词或字符），逐个学习它们之间的关系；后者接收一段表征，并使用注意机制学习它们之间的依赖关系。

虽然这两种架构都取得了令人瞩目的成就，但它们的主要局限在于捕获长期依赖性，例如使用文档开头的重要单词来预测后面的单词。谷歌和卡内基梅隆大学的一篇新论文 《Transformer-XL：超越固定长度上下文的注意力语言模型》 结合了这两种方法的优点。新模型在输入数据的每个段上使用 Transformer 的注意力模块，并使用循环机制来学习连续段之间的依赖关系。

Transformer-XL 在多种语言建模数据集（如单词级别的 enwik8 和字符级别的 text8）上实现了最目前先进的结果，且该模型在推理阶段速度更快，比之前最先进的 Transformer 架构快 300 到 1800 倍。

背景介绍：Transformer 架构

语言建模的一种常用方法是循环神经网络（RNN），因为这种网络可以很好地捕获单词之间的依赖关系，尤其是当其中含有 LSTM 等模块时。然而，受 梯度消失问题 的影响，RNN 往往速度很慢，且其学习长期依赖的能力比较有限。

2017 年提出的 Transformer 架构 为语言建模问题提供了一种全新的解决方案：注意力模块。注意模块不是逐个地处理表征，而是接收一整段表征，并使用三个可训练的权重矩阵——查询（Query），键（Key）和值（Value）来一次性学习所有输入表征之间的依赖关系。这三个权重矩阵构成了注意力头（Attention Head）。Transformer 网络由多个层组成，每个层都有几个注意力头（和附加层），用于学习表征之间的不同关系。

与许多 NLP 模型一样，Transformer 会首先将输入表征嵌入到向量中。由于注意模块中含有并发处理机制，模型还需要添加有关表征顺序的信息。这个步骤被称为位置编码（Positional Encoding），可帮助网络学习其位置信息。通常，该步骤使用正弦函数完成。该函数根据表征的位置生成向量，而不需要学习任何参数。

注：有关 Transformer 的更深入讨论，可参考 Jay Alammar 的这篇 博文 。

最初的 Transformer 架构被用于机器翻译（含有编码器 - 解码器机制）。据此， Al-Rfou 等人 提出了一种语言建模架构。该架构的目标是根据之前的字符预测片段中的字符。例如，它使用 x1 … xn-1 预测字符 xn，而右边的下一个字符则被屏蔽（参见下图）。这种 64 层变换器模型仅限于处理 512 个字符这种相对较短的输入，因此它将输入分成段，并分别从每个段中学习。如果在测试阶段需要处理较长的输入，该架构会在每一步中将输入向右移动一个字符，以此实现对单个字符的预测。

该模型在常用基准测试（enwik8 和 text8）上的表现优于 RNN 模型，但它仍然存在以下两个缺点：

1. 上下文相关性有限。字符之间的最大依赖距离受输入长度的限制。例如，该模型不能“使用”出现在几个句子之前的单词。

2. 上下文破碎。对于长度超过 512 个字符的文本，其每个段都是从头开始单独训练的。因此，对于每个段的第一个表征以及各个段之间，根本不存在上下文（依赖性）。这会使得训练效率低下，并会影响模型的性能。

Transformer-XL 的工作机制

Transformer-XL 架构基于 Al-Rfou 等人提出的 vanilla Transformer，但引入了两点创新—— 循环机制（Recurrence Mechanism） 和 相对位置编码（Relative Positional Encoding） ，以克服 vanilla Transformer 的缺点。与 vanilla Transformer 相比，该架构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。

循环机制

循环机制的目标是通过利用之前段的信息来实现长期依赖性。与 vanilla Transformer 类似，Transformer-XL 处理第一个标记段，但它会保留隐藏层的输出。处理后面的段时，每个隐藏层都会接收两个输入：

1. 该段的前一个隐藏层的输出，和 vanilla Transformer 相同（如下图中的灰色箭头所示）。

2. 上一个隐藏层的输出（如绿色箭头所示），可以使模型创建长期依赖关系。

从技术上讲，这两个输入会被拼接，然后用于计算当前段（当前层的当前头部）的 Key 和 Value 矩阵。该步骤为网络提供了更多关于每个表征的权重（重要性）的信息，但它不会更改 Value 矩阵。

该概念可以扩展到更长的依赖上。使用相同的方法，利用前面多个段的信息，只要 GPU 内存允许，在测试阶段也可以获得更长的依赖。

循环机制的另一个优点是其测试速度快。在每个步骤中，它可以一次前进一整个段（而不是像在 vanilla Transformer 中一次只能前进一个表征），并使用先前段的数据来预测当前段的表征。

相对位置编码

循环机制引入了新的挑战——原始位置编码将每个段分开处理，因此，来自不同段的表征会具有相同的位置编码。例如，第一和第二段的第一个表征将具有相同的编码，虽然它们的位置和重要性并不相同（比如第一个段中的第一个表征可能重要性低一些）。这种混淆可能会错误地影响网络。

针对此问题，论文提出了一种新的位置编码方式。这种位置编码是每个注意力模块的一部分。它不会仅在第一层之前编码位置，而且会基于表征之间的相对距离而非绝对位置进行编码。从技术上讲，它对注意力头分数（Attention Head’s Score）的计算方式不再是简单的乘法（Qi⋅Kj），而是包括四个部分：

1. 内容权重——没有添加原始位置编码的原始分数。

2. 相对于当前内容的位置偏差（Qi）。该项使用正弦类函数来计算表征之间的相对距离（例如 i-j），用以替代当前表征的绝对位置。

3. 可学习的全局内容偏差——该模型添加了一个可学习的向量，用于调整其他表征内容（Kj）的重要性。

4. 可学习的全局偏差——另一个可学习向量，仅根据表征之间的距离调整重要性（例如，最后一个词可能比前一段中的词更重要）。

实验结果

论文作者比较了模型在单词级别和字符级别数据集上的表现，并将其与其他著名模型（RNN 和 Transformer）进行了比较。Transformer-XL 在几个不同的数据集基准测试中实现了最先进的（SOTA）结果：

1. 在大型单词级别数据集—— WikiText-103 数据集 上，18 层的 Transformer-XL（含有 257M 参数）获得了 18.3 的 困惑度 。这个结果优于之前 Baevski 和 Auli 得到的最优值 20.5。

2. 在字符级数据集 enwik8 上，12 层 Transformer-XL 达到了 1.06 位每字符（bpc），与 Al-Rfou 等人之前的 SOTA 类似，但相比于 Transformer-XL，Al-Rfou 等人却使用了六倍以上的参数。另外，24 层 Transformer-XL 实现了一个 0.99 bpc 的新 SOTA。

3. 有趣的是，在仅具有短期依赖性的数据集（如仅包含单个句子 One Billion Word 数据集 以及小型数据集（如仅含有 1M 表征的 Penn Treebank 数据集 上，Transformer-XL 也实现了 SOTA 结果。这表明该模型在这些情景中也可能有效。

循环机制和相对位置编码的优点如下面的图表所示。图中比较了不同上下文长度（即注意力头中使用的之前的表征的数量）中包含或不包含循环机制，以及使用或不使用新编码方式的困惑度得分。完整的 Transformer-XL 明显优于其他模型，并能够有效利用长期依赖性。此外，它还能够捕获比 RNN 更长的依赖性（延长了 80％）。

最后，如前所述，该模型在推理阶段的速度也明显快于 vanilla Transformer，特别是对于较长的上下文。例如，对于 800 个字符的上下文长度，Transformer-XL 比 vanilla Transformer 快 363 倍；而对于 3800 字符的上下文，Transformer-XL 快了 1874 倍。

实现细节

该模型是 开源 的，并使用 TensorFlow 和 PyTorch 实现。作者也上传了预先训练好的模型。每个数据集的训练具体需要多长时间并未明确给出。

结论

Transformer-XL 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。它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。

此模型尚未在情感分析或问题回答等 NLP 任务上进行测试。另外，这种强语言模型与其他基于 Transformer 的模型（如 BERT ）相比有何优点，仍然有待解答。

相关资料传送门：

论文地址：

https://arxiv.org/abs/1901.02860

代码开源（包含 PyTorch 和 TensorFlow 的模型实现，而且带有预训练的模型）：

https://github.com/kimiyoung/transformer-xl

本文英文原文发布于 LyrnAI，链接： https://www.lyrn.ai/2019/01/16/transformer-xl-sota-language-model/