Reference
1. Transformer-XL: Attentive Language Models Beyond a Fixed-Length Context
2. Transformer-XL: Unleashing the Potential of Attention Models
3. Transformer-XL介绍
代码基于tensorlfow2.3实现,仓库地址:https://github.com/dwdb/transformer-xl
Transformers潜在地学习长期依赖,但受到上下文固定长度限制,当处理序列长度超过固定长度时,会出现以下问题:
- 训练阶段,需将输入文本分割成不同分段,不同分段独立训练,由于分段未考虑语义边界,可能造成模型缺乏上下文信息学习分段的完整表示,模型不易优化,这种现象称为上下文碎片问题;
- 预测阶段,每次移动一个输入单元,引入大量重复计算,预测效率低;
Transformer-XL使用两种技术: 循环分段 和 相对位置编码,克服vanilla Transformers的缺陷,并解决上下文碎片问题。使用循环分段机制,在处理当前分段时,重用之前分段的隐状态(缓存),可不是从头计算新分段的隐状态,不同分段之间不再独立,解决了上下文碎片的问题。使用相对位置编码,而非绝对位置编码,避免利用之前分段隐状态造成的时序混乱问题。
实验结果表明,Transformer-XL在学习上下文依赖上,比RNNs网络长0.8倍、比vanilla Transformers网络长4.5倍,Transformer-XL是首个在字和词级别上均优于RNNs的使用自我注意力的模型。
Vanilla Transformer Language Models
使用Transformer或者self-attention的语言模型,最核心问题是怎样把任意长、具有上下文信息的序列编码为固定长度的向量表示。有限的计算资源下,无法处理较长序列,可行地做法是将长序列分割成数个固定长度序列,各分段独立训练,忽略各分段间的语义关系,随意分割会造成上下文碎片。
Segment-Level Recurrence with State Reuse
训练阶段,缓存一定长度的之前片段的各层隐状态向量,在处理新分段时,缓存向量作为新分段的扩展上下文重用,使得模型可以学习长期依赖,以避免学习上下文碎片。
对于两个连续分段
sτ=[xτ,1,⋯,xτ,L]和
sτ+1=[xτ+1,1,⋯,xτ+1,L],
sτ在第
n层的隐状态为
hτn∈RL×d,其中
d是隐状态向量维度,则
h~τ+1n−1=[SG(hτn−1)∘hτ+1n−1]qτ+1n,kτ+1n,vτ+1n=hτ+1n−1Wq⊤,h~τ+1n−1Wk⊤,h~τ+1n−1Wv⊤hτ+1n=Transformer-Layer(qτ+1n,kτ+1n,vτ+1n)
式中函数
SG(⋅)表示不计算梯度,
[hu∘hv]表示序列长度方向拼接两个隐藏状态序列。
循环分段状态重用与标准Tranformer最大的不同在于,利用当前分段的
q向量,以及之前分段和当前分段的
k和
v向量,计算当前分段的Transformer层输出,使得当前分段输出考虑到之前分段信息(self-attention注意之前分段)。
从图二左图中可看出,在训练阶段当仅利用前一个分段信息时,两个分段的不同层的隐状态
hτ+1n和
hτn−1具有依赖关系,为保持时序信息,需考虑相对位置信息,下节介绍。
循环分段机制除能够学习长期依赖、解决上下文碎片化之外,对预测的性能上也有较大提高。模型通过学习转换矩阵得到固定嵌入,而不是直接学习嵌入,使得预测阶段可以学习更长期的依赖。。此外,在当GPU内存允许条件下,也可利用之前多个分段信息。
Relative Positional Encodings
在使用之前隐状态时,如何保证连贯的位置信息? 传统的Transformer中,使用绝对位置编码
U∈RLmax×d,其第
i行表示分段中的第
i个绝对位置的编码向量,
Lmax表示最大编码长度,实际是直接将词向量和绝对位置编码向量按元素相加作为实际输入,各分段的处理方式相同。显然,不同分段同时参与运算时,会造成时序混乱。
避免时序混乱的思想是仅在隐状态中引入相对位置信息。位置嵌入目的是给予模型各输入点的时序线索或偏差,以决定如何收集信息,因此,可向每一层的注意力分数中注入相对时序信息,取代将位置编码直接加入初始词向量。
举例来说,对于计算查询向量
qτ,i在键向量
kτ,≤i的注意力,我们不需知道
kτ,j在时序中绝对位置,只需要知道其相对
qτ,i的时序偏差(相对查询的位置偏差)即可,如
i−j。
因此,创建一系列相对位置编码向量
R∈RLmax×d(正弦信号),其中
Ri表示两位置相对距离为
i对应的编码向量,通过在注意力分数中动态地引入相对距离,查询向量可通过相对距离的不同区分
xτ,j和
xτ+1,j。
标准Transformer使用绝对位置编码,同一分段中查询向量
qi对键向量
kj的注意力分数为
Ai,jabs=Wq(Exi+Ui)⋅Wk(Exj+Uj)=(a)
Exi⊤Wq⊤WkExj+(b)
Exi⊤Wq⊤WkUj+(c)
Ui⊤Wq⊤WkExj+(d)
Ui⊤Wq⊤WkUj
使用相对位置编码,则同一分段中查询向量
qi对键向量
kj的注意力分数为
Ai,jrel=(a)
Exi⊤Wq⊤Wk,EExj+(b)
Exi⊤Wq⊤Wk,RRi−j+(c)
u⊤Wk,EExj+(d)
v⊤Wk,RRi−j
相对位置编码的改动在于:
- 将用于计算键向量的绝对位置编码
Uj,替换为不需要学习的正弦的相对位置编码
Ri−j,使得扩展上下文长度在预测阶段可大于训练阶段;
- 引入参数
u取代
(c)项中的
WqUi,此时
(c)项仅与内容有关。为使序列中任意位置对其它任意位置的注意力偏差相同,引入参数
v取代
(d)项中的
WqUi,此时
(d)项仅与相对位置有关;
- 使用权重矩阵
Wk,E生成基于内容的键向量(右乘词向量),
Wk,R生成基于位置的键向量(右乘相对位置向量);
- 四项意义:
(a)项为内容表示,
(b)项为依赖位置的内容偏差,
(c)项为全局内容偏差,
(d)项为全局位置偏差;
Transformer-XL的整体架构表示为
h~τn−1qτn,kτn,vτnAτ,i,jnaτnoτnhτn=[SG(mτn−1)∘hτn−1]=hτn−1Wqn⊤,h~τn−1Wk,En⊤,h~τn−1Wvn⊤=qτ,in⊤kτ,jn+qτ,in⊤Wk,RnRi−j+u⊤kτ,j+v⊤Wk,RnRi−j=Masked-Softmax(Aτn)vτn=LayerNorm(Linear(aτn)+hτn−1)=Positionwise-Feed-Forward(oτn)
式中,计算
Aτn,意味着需对所有位置对
(i,j)计算
Wk,RnRi−j,时间复杂度
O(n2),优化后可降至
O(n)。