前段時間，一條指出谷歌大腦團隊論文《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。

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

Sebastian Raschka 在回答網(wǎng)友評論時說，「最最原始」的代碼確實與架構(gòu)圖一致，但 2017 年提交的代碼版本進行了修改，但同時沒有更新架構(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，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間就跟上進度。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）是對原始編碼器 - 解碼器架構(gòu)的有用總結(jié)，但該圖有一個小小的差異。例如，它在殘差塊之間進行了層歸一化，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一起應(yīng)用：《 ResiDual: Transformer with Dual Residual Connections》（https://arxiv.org/abs/2304.14802），但它在實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。因為它有效地提出了預(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)在計算機視覺中確立，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)上對其進行微調(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)對預(yù)訓(xùn)練的語言模型進行微調(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)上對其進行微調(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，逐步解凍通常在實踐中不進行，因為 Transformer 架構(gòu)通常一次性對所有層進行微調(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 token 上訓(xùn)練了一個 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，因為它們不局限于批處理大小，也不需要同步，這在批大小較小的分布式設(shè)置中是一個優(yōu)勢。RMSNorm 通常被認(rèn)為在更深的體系架構(gòu)中會穩(wěn)定訓(xùn)練。

除了上面這些有趣的花絮之外，本文的主要重點是分析不同規(guī)模下的任務(wù)性能分析。對 152 個不同任務(wù)的評估顯示，增加模型大小對理解、事實核查和識別有毒語言等任務(wù)最有利，而架構(gòu)擴展對與邏輯和數(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