[[405284]]

 自 2017 年 6 月谷歌發(fā)布論文《Attention is All You Need》后，Transformer 架構為整個 NLP 領域帶來了極大的驚喜。在誕生至今僅僅四年的時間里，Transformer 已經(jīng)成為自然語言處理領域的主流模型，基于 Transformer 的預訓練語言模型更是成為主流。

隨著時間的推移，Transformer 還開始了向其他領域的跨界。得益于深度學習的發(fā)展，Transformer 在計算機視覺（CV）和音頻處理等許多人工智能領域已然殺瘋了，成功地引來了學界和業(yè)界研究人員的關注目光。到目前為止，研究者已經(jīng)提出了大量且種類駁雜的 Transformer 變體（又名 X-former），但是仍然缺失系統(tǒng)而全面的 Transformer 變體文獻綜述。

去年，谷歌發(fā)布的論文《Efficient Transformers: A Survey》對高效 Transformer 架構展開了綜述，但主要關注 attention 模塊的效率問題，對 Transformer 變體的分類比較模糊。

近日，復旦大學計算機科學技術學院邱錫鵬教授團隊對種類繁多的 X-former 進行了綜述。首先簡要介紹了 Vanilla Transformer，提出 X-former 的新分類法。接著從架構修改、預訓練和應用三個角度介紹了各種 X-former。最后概述了未來研究的一些潛在方向。

論文鏈接：
https://arxiv.org/pdf/2106.04554.pdf

回顧 Transformer 的發(fā)展

Transformer 最初是作為機器翻譯的序列到序列模型提出的，而后來的研究表明，基于 Transformer 的預訓練模型（PTM） 在各項任務中都有最優(yōu)的表現(xiàn)。因此，Transformer 已成為 NLP 領域的首選架構，尤其是 PTM。除了語言相關的應用，Transformer 還被用于 CV、音頻處理，甚至是化學和生命科學。由于取得了成功，過去幾年研究者又提出了各種 Transformer 變體（又名 X-former）。這些 X-former 主要從以下三個不同的角度改進了最初的 Vanilla Transformer

模型效率。應用 Transformer 的一個關鍵挑戰(zhàn)是其處理長序列時的效率低下，這主要是由于自注意力（self-attention）模塊的計算和內存復雜度。改進的方法包括輕量級 attention（例如稀疏 attention 變體）和分而治之的方法（例如循環(huán)和分層機制）；

模型泛化。由于 Transformer 是一種靈活的架構，并且對輸入數(shù)據(jù)的結構偏差幾乎沒有假設，因此很難在小規(guī)模數(shù)據(jù)上進行訓練。改進方法包括引入結構偏差或正則化，對大規(guī)模未標記數(shù)據(jù)進行預訓練等；

模型適配。這一系列工作旨在使 Transformer 適應特定的下游任務和應用程序。

雖然可以根據(jù)上述角度來組織 X-former，但許多現(xiàn)有的 X-former 可能會解決一個或幾個問題。例如，稀疏 attention 變體不但降低了計算復雜度，而且在輸入數(shù)據(jù)上引入了結構先驗以緩解小數(shù)據(jù)集上的過度擬合問題。因此，主要根據(jù) X-former 改進 Vanilla Transformer 的方式進行分類更加有條理：架構修改、預訓練和應用?？紤]到本次綜述的受眾可能來自不同的領域，研究者主要關注的是通用架構變體，僅簡要討論了預訓練和應用方面的具體變體。

Vanilla Transformer

架構

Vanilla Transformer 是一個序列到序列的模型，由一個編碼器和一個解碼器組成，二者都是相同的塊 組成的堆棧。每個編碼器塊主要由一個多頭 self-attention 模塊和一個位置前饋網(wǎng)絡（FFN）組成。為了構建更深的模型，每個模塊周圍都采用了殘差連接，然后是層歸一化模塊。與編碼器塊相比，解碼器塊在多頭 self-attention 模塊和位置方面 FFN 之間額外插入了 cross-attention 模塊。此外，解碼器中的 self-attention 模塊用于防止每個位置影響后續(xù)位置。Vanilla Transformer 的整體架構如下圖所示：

用法

通常有三種不同的方式使用 Transformer 架構：

使用編碼器 - 解碼器，通常用于序列到序列建模，例如神經(jīng)機器翻譯；

僅使用編碼器，編碼器的輸出用作輸入序列的表示，通常用于分類或序列標記問題；

僅使用解碼器，其中也移除了編碼器 - 解碼器 cross-attention 模塊，通常用于序列生成，例如語言建模。

Transformer 變體的的分類

截止目前，領域研究人員從架構修改類型、預訓練方法和應用這三個方面提出了各種基于 vanilla Transformer 的變體模型。下圖顯示了 這些變體模型的類別：

而下圖顯示了本文研究者的分類和一些代表性模型：

Attention 模塊

Self-attention 在 Transformer 中非常重要，但在實際應用中存在兩個挑戰(zhàn)：

復雜度。self-attention 的復雜度為 O(T^2·D)。因此，attention 模塊在處理長序列時會遇到瓶頸；

結構先驗。Self-attention 對輸入沒有假設任何結構性偏差，甚至指令信息也需要從訓練數(shù)據(jù)中學習。因此，無預訓練的 Transformer 通常容易在中小型數(shù)據(jù)集上過擬合。

Attention 機制的改進可以分為以下幾個方向：

稀疏 attention。將稀疏偏差引入 attention 機制可以降低了復雜性；

線性化 attention。解開 attention 矩陣與內核特征圖，然后以相反的順序計算 attention 以實現(xiàn)線性復雜度；

原型和內存壓縮。這類方法減少了查詢或鍵值記憶對的數(shù)量，以減少注意力矩陣的大?。?/p>

低階 self-Attention。這一系列工作捕獲了 self-Attention 的低階屬性；

Attention 與先驗。該研究探索了用先驗 attention 分布來補充或替代標準 attention；

改進多頭機制。該系列研究探索了不同的替代多頭機制。

稀疏 attention

在標準的 self-attention 機制中，每個 token 都需要 attend 所有其他的 token。然而，據(jù)觀察，對于經(jīng)過訓練的 Transformer，學習到的 attention 矩陣 A 在大多數(shù)數(shù)據(jù)點上通常非常稀疏。因此，可以通過結合結構偏差來限制每個查詢 attend 的查詢鍵對的數(shù)量來降低計算復雜度。

從另一個角度來看，標準 attention 可以被視為一個完整的二部圖，其中每個查詢從所有內存節(jié)點接收信息并更新其表示。而稀疏 attention 可以看成是一個稀疏圖，其中刪除了節(jié)點之間的一些連接。基于確定稀疏連接的指標，研究者將這些方法分為兩類：基于位置和基于內容的稀疏 attention。

原子稀疏 attention

基于位置的稀疏 attention 之一是原子稀疏 attention，如下圖所示主要有五種模式。彩色方塊表示計算的 attention 分數(shù)，空白方塊表示放棄的 attention 分數(shù)。

復合稀疏 attention

而另一種基于位置的稀疏 attention 是復合稀疏 attention，下圖顯示了其五種主要模式，其中紅色框表示序列邊界。

擴展稀疏 attention

除了上述模式，一些現(xiàn)有的研究已經(jīng)針對特定數(shù)據(jù)類型探索了擴展稀疏模式。下圖（a）展示了全局 attention 擴展的抽象視圖，其中全局節(jié)點是分層組織的，任何一對 token 都與二叉樹中的路徑相連。紅色框表示查詢位置，橙色節(jié)點 / 方塊表示查詢關注相應的 token。

還有一些視覺數(shù)據(jù)的擴展。Image Transformer 探索了兩種類型的 attention：

按光柵掃描順序展平圖像像素，然后應用塊局部稀疏 attention；

2D 塊局部 attention，其中查詢塊和內存塊直接排列在 2D 板中，如上圖 (b) 所示。

視覺數(shù)據(jù)稀疏模式的另一個例子，Axial Transformer 在圖像的每個軸上應用獨立的 attention 模塊。每個 attention 模塊沿一個軸混合信息，同時保持另一個軸的信息獨立，如上圖 (c) 所示。這可以理解為按光柵掃描順序水平和垂直展平圖像像素，然后分別應用具有圖像寬度和高度間隙的跨步 attention。

線性化 attention

下圖顯示了標準 self-attention 和線性化 linear-attention 的復雜度區(qū)別。

查詢原型和內存壓縮

除了使用稀疏 attention 或基于內核的線性化 attention 之外，還可以通過減少查詢或鍵值對的數(shù)量來降低 attention 的復雜度，這分別引向了查詢原型和內存壓縮的方法。

在查詢原型設計中，幾個查詢原型作為計算 attention 分布的主要來源。該模型要么將分布復制到表示的查詢的位置，要么用離散均勻分布填充這些位置。

下圖 (a) 說明了查詢原型的計算流程。除了通過查詢原型減少查詢數(shù)量外，還可以通過在應用 attention 機制之前減少鍵值對的數(shù)量（壓縮鍵值內存）來降低復雜度，如下圖（b）所示。

先驗 attention

Attention 機制通常將預期值輸出為向量的加權和，其中權重是值上的 attention 分布。傳統(tǒng)上，分布是從輸入生成的，例如 Vanilla Transformer 中的 softmax(QK⊤)。一般情況下，attention 分布也可以來自其他來源，也就是先驗。先驗注意力分布可以補充或替代輸入產(chǎn)生的分布。Attention 的這種表述可以抽象為具有先驗 attention，如下圖所示。在大多數(shù)情況下，兩個 attention 分布的融合可以通過在應用 softmax 之前計算對應于先驗 attention 和生成 attention 的分數(shù)的加權和來完成。

改進的多頭機制

多頭 attention 的吸引力在于能夠共同 attend 來自不同位置的不同表示子空間的信息。然而，沒有機制可以保證不同的 attention 頭確實地捕捉到不同的特征。

如下圖所示，多頭機制下三種跨度屏蔽函數(shù)()。橫軸代表距離，縱軸代表掩碼值。

其他模塊級修改

位置的重要性

驗證卷積和循環(huán)網(wǎng)絡不是置換等變是很簡單的。然而，Transformer 中的 self-attention 模塊和位置前饋層都是置換等變的，這在建模問題時可能是一個問題。例如，在對文本序列建模時，單詞的順序很重要，因此在 Transformer 架構中正確編碼單詞的位置至關重要。因此，需要額外的機制將位置信息注入到 Transformer 中。一種常見的設計是首先使用向量表示位置信息，然后將向量作為附加輸入注入模型。

層的歸一化

層歸一化 ( Layer Normalization, LN) 以及殘差連接被認為是一種穩(wěn)定深度網(wǎng)絡訓練的機制（如減輕不適定梯度和模型退化）。在 Vanilla Transformer 中，LN 層位于殘差塊之間，被稱為 post-LN 。后來的 Transformer 實現(xiàn)將 LN 層放在 attention 或 FFN 之前的殘差連接內，在最后一層之后有一個額外的 LN 來控制最終輸出的大小，即 pre-LN。Pre-LN 已被許多后續(xù)研究和實現(xiàn)所采用。pre-LN 和 post-LN 的區(qū)別如下圖所示。

位置方面的 FFN

盡管很簡單，但位置前饋網(wǎng)絡 (feed-forward network, FFN) 層對于 Transformer 實現(xiàn)良好性能至關重要。研究者觀察到簡單地堆疊 self-attention 模塊會導致等級崩潰問題以及 token 均勻性歸納偏差，而前饋層是緩解此問題的重要構建塊之一。本節(jié)探索了研究者對 FFN 模塊的修改。

架構級修改

在本章中，研究者介紹了架構層面的 X-former 變體模型。

輕量級 Transformer

除了在模塊層面為減輕計算開銷所做的努力外，領域內還出現(xiàn)了一些在更高層面進行修改的輕量級 Transformer 模型，如 Lite Transformer、Funnel Transformer 和 DeLighT。

Strengthening Cross-Block Connectivity

在 deep Transformer 編碼器 - 解碼器模型中，解碼器中的 cross-attention 模塊僅利用編碼器的最終輸出，因此誤差信號必須沿著編碼器的深度進行遍歷。這使得 Transformer 更易于受到梯度消失等優(yōu)化問題的影響。

Transparent Attention [8] 使用每個 cross-attention 模塊中所有編碼器層（包括嵌入層）上的編碼器表示的加權和。對于第 j 個編碼器塊，cross-attention 應表示如下：

Feedback Transformer[34] 提出在 Transformer 解碼器添加反饋機制，其中每個位置均關注來自所有層的歷史表示的加權和：

自適應計算時間

與大多數(shù)神經(jīng)模型一樣，Vanilla Transformer 使用固定（學習的）計算程序來處理每個輸入。一個有趣且有發(fā)展?jié)摿Φ男薷氖鞘褂嬎銜r間以輸入為條件，即在 Transformer 模型中引入自適應計算時間（Adaptive Computation Time, ACT）。

如下圖 12（a）所示，Universal Transformer (UT) 結合了深度循環(huán)（recurrence-over-depth）機制，該機制使用一個在深度上共享的模塊來迭代地改進所有符號的表示；圖 12（b）中，Conditional Computation Transformer (CCT) 在每個自注意力和前饋層添加一個門控模塊來決定是否跳過當前層；圖 12（c）中，與 UT 中使用的動態(tài)停機機制類似，有一條工作線專門用于調整每個輸入的層數(shù)以實現(xiàn)良好的速度 - 準確率權衡，這稱為「提前退出機制」（early exit mechanism）。

利用「分而治之」策略的 Transformer

自注意力對序列長度的二次復雜度會顯著限制一些下游任務的性能。研究者確定了兩類有具有代表性的方法，分別是循環(huán)和層級 Transformer，具體如下圖 13 所示

在循環(huán) Transformer 中，維護一個高速緩存（cache memory）用來合并歷史信息。在處理一段文本時，該網(wǎng)絡從緩存中的讀取作為額外輸入。處理完成后，網(wǎng)絡通過簡單地復制隱藏狀態(tài)或使用更復雜的機制來寫入內存。

層級 Transformer 將輸入分層分解為更細粒度的元素。低級特征首先被饋入到 Transformer 編碼器，產(chǎn)生輸出表示，然后使用池化或其他操作來聚合以形成高級特征，然后通過高級 Transformer 進行處理。