Transformer模型能夠做什么

如果想在 AI 領(lǐng)域引領(lǐng)一輪新浪潮，就需要使用到 Transformer。

盡管名為 Transformer，但它們不是電視銀幕上的變形金剛，也不是電線桿上垃圾桶大小的變壓器。

在人工智能的快速發(fā)展中，Transformer 模型作為一種神經(jīng)網(wǎng)絡(luò)，以其獨特的自注意力機制，引領(lǐng)了自然語言處理的新浪潮，以革命性的方式推動了整個行業(yè)的進(jìn)步。本文將帶您深入了解 Transformer 模型的起源，探討其如何通過自注意力機制捕捉數(shù)據(jù)元素間的微妙聯(lián)系，并理解其在 AI 領(lǐng)域中的關(guān)鍵作用。

什么是 Transformer 模型？

Transformer 模型是一種神經(jīng)網(wǎng)絡(luò)，通過追蹤連續(xù)數(shù)據(jù)（例如句子中的單詞）中的關(guān)系了解上下文，進(jìn)而理解其含義。

Transformer 模型使用一套不斷發(fā)展的數(shù)學(xué)方法（這套方法被稱為注意力或自注意力），檢測一系列數(shù)據(jù)元素之間的微妙影響和依賴關(guān)系，包括距離遙遠(yuǎn)的數(shù)據(jù)元素。

谷歌在 2017 年的一篇論文中首次描述了 Transformer，定義它為一種迄今為止所發(fā)明的最新、最強大的模型。這種模型正在推動機器學(xué)習(xí)領(lǐng)域的進(jìn)步，一些人將其稱為 Transformer AI。

斯坦福大學(xué)的研究人員在 2021 年 8 月的一篇論文中將 Transformrer 稱為“基礎(chǔ)模型”，他們認(rèn)為其推動了 AI 的范式轉(zhuǎn)變。他們在論文中寫道：“在過去幾年中，基礎(chǔ)模型的規(guī)模之大、范圍之廣，超出了我們的想象?！?/p>

Transformer 模型能夠做什么？

Transformer 可以近乎實時地翻譯文本和語音，為不同人群包括聽障人士提供會議和課堂服務(wù)。

它們還能幫助研究人員了解 DNA 中的基因鏈和蛋白質(zhì)中的氨基酸，從而加快藥物設(shè)計的速度。

Transformer 有時也被稱為基礎(chǔ)模型，目前已經(jīng)連同許多數(shù)據(jù)源用于大量應(yīng)用中

Transformer 可通過檢測趨勢和異常現(xiàn)象，為防止欺詐、簡化制造流程、提供在線建議或改善醫(yī)療服務(wù)提供助力。

每當(dāng)人們在谷歌或微軟必應(yīng)上進(jìn)行搜索時，就會用到 Transformer。

Transformer AI 的良性循環(huán)

Transformer 模型適用于一切使用連續(xù)文本、圖像或視頻數(shù)據(jù)的應(yīng)用。

這使這些模型可以形成一個良性的 Transformer AI 良性循環(huán)：使用大型數(shù)據(jù)集創(chuàng)建而成的 Transformer 能夠做出準(zhǔn)確的預(yù)測，從而被越來越廣泛地應(yīng)用，因此產(chǎn)生的數(shù)據(jù)也越來越多，這些數(shù)據(jù)又被用于創(chuàng)建更好的模型。

斯坦福大學(xué)的研究人員表示，Transformer 標(biāo)志著 AI 發(fā)展的下一個階段，有人將這個階段稱為 Transformer AI 時代

NVIDIA 創(chuàng)始人兼首席執(zhí)行官黃仁勛在 GTC 2022 上發(fā)表的主題演講中表示：“Transformer 讓自監(jiān)督學(xué)習(xí)成為可能，AI 迎來了了飛速發(fā)展的階段?！?/p>

Transformer 取代 CNN 和 RNN

Transformer 正在許多場景中取代卷積神經(jīng)網(wǎng)絡(luò)和遞歸神經(jīng)網(wǎng)絡(luò)（CNN 和 RNN），而這兩種模型在七年前還是最流行的深度學(xué)習(xí)模型。

事實上，在過去幾年發(fā)表的關(guān)于 AI 的 arXiv 論文中，有 70% 都提到了 Transformer。這與 2017 年 IEEE 的研究報告將 RNN 和 CNN 稱為最流行的模式識別模型時相比，變化可以說是翻天覆地。

無標(biāo)記且性能更強大

在 Transformer 出現(xiàn)之前，用戶不得不使用大量帶標(biāo)記的數(shù)據(jù)集訓(xùn)練神經(jīng)網(wǎng)絡(luò)，而制作這些數(shù)據(jù)集既費錢又耗時。Transformer 通過數(shù)學(xué)方法發(fā)現(xiàn)元素之間的模式，因此實現(xiàn)了不需要進(jìn)行標(biāo)記，這讓網(wǎng)絡(luò)和企業(yè)數(shù)據(jù)庫中的數(shù)萬億張圖像和數(shù) PB 文本數(shù)據(jù)有了用武之地。

此外，Transformer 使用的數(shù)學(xué)方法支持并行處理，因此這些模型得以快速運行。

Transformer 目前在流行的性能排行榜上獨占鰲頭，比如 2019 年為語言處理系統(tǒng)開發(fā)的基準(zhǔn)測試 SuperGLUE。

Transformer 的注意力機制

與大多數(shù)神經(jīng)網(wǎng)絡(luò)一樣，Transformer 模型本質(zhì)上是處理數(shù)據(jù)的大型編碼器/解碼器模塊。

其能夠獨占鰲頭的原因是在這些模塊的基礎(chǔ)上，添加了其他微小但具有戰(zhàn)略意義的模塊（如下圖所示）。

Aidan Gomez（2017 年定義 Transformer 的論文的 8 位共同作者之一）展示內(nèi)容的概覽圖

Transformer 使用位置編碼器標(biāo)記進(jìn)出網(wǎng)絡(luò)的數(shù)據(jù)元素。注意力單元跟蹤這些標(biāo)簽，計算每個元素與其他元素間關(guān)系的代數(shù)圖。

注意力查詢通常通過計算被稱為多頭注意力中的方程矩陣并行執(zhí)行。

通過這些工具，計算機也能看到人類所看到的模式。

自注意力機制能夠明確意義

例如在下面的句子中：

她把壺里的水倒到杯子里，直到它被倒?jié)M。

我們知道這里的“它”指的是杯子，而在下面的句子中：

她壺里的水倒到杯子里，直到它被倒空。

我們知道這里的“它”指的是壺。

領(lǐng)導(dǎo) 2017 年這篇開創(chuàng)性論文研究工作的前 Google Brain 高級研究科學(xué)家 Ashish Vaswani 表示：“意義是事物之間的關(guān)系所產(chǎn)生的結(jié)果，而自注意力是一種學(xué)習(xí)關(guān)系的通用方法?！?/p>

Vaswani 表示：“由于需要單詞之間的短距離和長距離關(guān)系，因此機器翻譯能夠很好地驗證自注意力?！?/p>

“現(xiàn)在我們已經(jīng)看到，自注意力是一種強大、靈活的學(xué)習(xí)工具?！?/p>

Transformer 名稱的由來

注意力對于 Transformer 非常關(guān)鍵，谷歌的研究人員差點把這個詞作為他們 2017 年模型的名稱。

在 2011 年就開始研究神經(jīng)網(wǎng)絡(luò)的 Vaswani 表示：“注意力網(wǎng)絡(luò)這個名稱不夠響亮?！?/p>

該團隊的高級軟件工程師 Jakob Uszkoreit 想出了“Transformer”這個名稱。

Vaswani 表示：“我當(dāng)時覺得我們是在轉(zhuǎn)換表征，但其實轉(zhuǎn)換的只是語義。”

Transformer 的誕生

在 2017 年 NeurIPS 大會上發(fā)表的論文中，谷歌團隊介紹了他們的 Transformer 及其為機器翻譯創(chuàng)造的準(zhǔn)確率記錄。

憑借一系列技術(shù)，他們僅用 3.5 天就在 8 顆 NVIDIA GPU 上訓(xùn)練出了自己的模型，所用時間和成本遠(yuǎn)低于訓(xùn)練之前的模型。這次訓(xùn)練使用的數(shù)據(jù)集包含多達(dá)十億對單詞。

2017 年參與這項工作并做出貢獻(xiàn)的谷歌實習(xí)生 Aidan Gomez 回憶道：“距離論文提交日期只有短短三個月的時間。提交論文的那天晚上，Ashish 和我在谷歌熬了一個通宵。我在一間小會議室里睡了幾個小時，醒來時正好趕上提交時間。一個來得早的人開門撞到了我的頭。”

這讓 Aidan 一下子清醒了。

“那天晚上，Ashish 告訴我，他相信這將是一件足以改變游戲規(guī)則的大事。但我不相信，我認(rèn)為這只是讓基準(zhǔn)測試進(jìn)步了一點。事實證明他說得非常對?！盙omez 現(xiàn)在是初創(chuàng)公司 Cohere 的首席執(zhí)行官，該公司提供基于 Transformer 的語言處理服務(wù)。

機器學(xué)習(xí)的重要時刻

Vaswani 回憶道，當(dāng)看到結(jié)果超過了 Facebook 團隊使用 CNN 所得到的結(jié)果時，他感到非常興奮。

Vaswani 表示：“我覺得這可能成為機器學(xué)習(xí)的一個重要時刻?！?/p>

一年后，谷歌的另一個團隊嘗試用 Transformer 處理正向和反向文本序列。這有助于捕捉單詞之間的更多關(guān)系，提高模型理解句子意義的能力。

他們基于 Transformer 的雙向編碼器表征（BERT）模型創(chuàng)造了 11 項新記錄，并被加入到谷歌搜索的后臺算法中。

“由于文本是公司最常見的數(shù)據(jù)類型之一”，在短短幾周內(nèi)，全球的研究人員就將 BERT 應(yīng)用于多個語言和行業(yè)的用例中。Anders Arpteg，這位擁有 20 年機器學(xué)習(xí)研究經(jīng)驗的專家表示，因為文本是公司最常見的數(shù)據(jù)類型之一，所以這種調(diào)整變得尤為重要。

小結(jié)

Transformer 模型的誕生標(biāo)志著自然語言處理技術(shù)的一次重大飛躍。本文上篇為您揭示了這一模型的基本原理和發(fā)展歷程。隨著對 Transformer 模型的深入理解，我們可以看到其在機器翻譯、文本理解、基因序列分析等多個領(lǐng)域的廣泛應(yīng)用，預(yù)示著 AI 技術(shù)革新與發(fā)展的無限可能。