【深度學(xué)習(xí)】預(yù)訓(xùn)練的卷積模型比Transformer更好？

引言

這篇文章就是當(dāng)下很火的用預(yù)訓(xùn)練CNN刷爆Transformer的文章，LeCun對(duì)這篇文章做出了很有深意的評(píng)論:"Hmmm"。本文在預(yù)訓(xùn)練微調(diào)范式下對(duì)基于卷積的Seq2Seq模型進(jìn)行了全面的實(shí)證評(píng)估。本文發(fā)現(xiàn)：

（1）預(yù)訓(xùn)練過程對(duì)卷積模型的幫助與對(duì)Transformer的幫助一樣大；

（2）預(yù)訓(xùn)練的卷積模型在模型質(zhì)量和訓(xùn)練速度方面在某些場景中是有競爭力的替代方案。

Pre-Trained Convolution Models

Lightweight Depthwise Convolution

1.Depthwise convolutions

假設(shè)輸入一個(gè)tensor  ，其維度為  ，depthwise卷積定義如下：

 是可學(xué)習(xí)的矩陣， 是位置  和channel  的輸出。最后整體的輸出維度和輸入維度是一樣的都是  。 

舉例：一個(gè)大小為64×64像素、三通道彩色圖片首先經(jīng)過第一次卷積運(yùn)算，depthwise卷積完全是在二維平面內(nèi)進(jìn)行，且Filter的數(shù)量與上一層的Depth相同。所以一個(gè)三通道的圖像經(jīng)過運(yùn)算后生成了3個(gè)Feature map，如下圖所示。

Depthwise Convolution完成后的Feature map數(shù)量與輸入層的depth相同，但是這種運(yùn)算對(duì)輸入層的每個(gè)channel獨(dú)立進(jìn)行卷積運(yùn)算后就結(jié)束了，沒有有效的利用不同map在相同空間位置上的信息。

2. Lightweight Convolutions

Lightweight Convolutions在Depthwise Convolution的基礎(chǔ)上使用了 ，  是一個(gè)具有softmax歸一化核以及共享輸出通道和權(quán)重的深度可分離卷積：

其中 ，參數(shù)在每個(gè) 的輸出通道中共享。當(dāng)的時(shí)候，相當(dāng)于所有通道共享所有的參數(shù)。

3. Dynamic Convolutions

Dynamic Convolutions  是Lightweight Convolutions的一種變種，該方法關(guān)鍵的思想是學(xué)習(xí)特定位置的核來執(zhí)行輕量級(jí)卷積:

其中  是一個(gè)線性變化，參數(shù)為 ,學(xué)習(xí)的是特定位置的kennel。

Span-based Seq2Seq pre-training

本文采用span-based的Seq2Seq預(yù)訓(xùn)練（Raffel等人，2019）。具體來說，給定一個(gè)輸入序列，我們隨機(jī)mask掉個(gè)spans，并用特殊的[mask]標(biāo)記替換。然后，預(yù)訓(xùn)練任務(wù)是生成被mask掉的token。例如：

Inputs:  The happy cat sat [mask].
Outputs: on the mat.

Convolutional Seq2Seq Architecture 本文實(shí)現(xiàn)的Convolutional Seq2Seq模型與Transformer的區(qū)別在于將Transformer中的multi-headed self-attention替換為卷積blocks。對(duì)于Transformer中的query-key-value，本文使用門控線性單元代替。其中每個(gè)卷積block由以下部分組成：

其中  都是學(xué)習(xí)的參數(shù)。

作者實(shí)驗(yàn)了lightweight convolutions、dynamic convolutions以及dilated convolutions。和（Wu等人，2019年；Gehring等人，2017年）的實(shí)驗(yàn)相同，本文保持編碼器-解碼器的attention不變。并且遵循Transformer的主干模型，在該模型中，本文使用LayerNorm和殘差連接形成每個(gè)子模塊。因此，每個(gè)Conv block被寫為：

 就是上述的各個(gè)類型的卷積。  是一個(gè)兩層帶RELU的全連接。

Optimization

本文采用了token-wise的交叉熵loss:

第一個(gè)sum指的是將mask掉的  個(gè)span的loss求和，  表示的是類別  在  時(shí)刻的預(yù)測值，   表示的是類別  在  時(shí)刻的ground truth。

Research Questions and Discussion

作者總結(jié)了幾個(gè)希望本文能夠解決的幾個(gè)問題：

（1）pre-train給卷積模型帶來的收益和Transformer相比怎樣？卷機(jī)模型

（2）卷積模型如果通過預(yù)訓(xùn)練或者其他方式是否能夠和Transformer模型對(duì)抗，什么情況下卷積模型表現(xiàn)好？

（3）使用預(yù)訓(xùn)練的卷積模型比預(yù)訓(xùn)練的Transformer有什么好 處（如果有的話）？卷積比基于自注意的Transformer更快嗎？

（4）不使用預(yù)訓(xùn)練卷積效果不好，是否有無特定的故障模式、注意事項(xiàng)和原因分別是什么？

（5）某些卷積變體是否比其他變體更好？

Experiments and Analysis

數(shù)據(jù)集： 

Toxicity Detection（二分類）：CIVIL COMMENTS、WIKI TOXIC SUBTYPES 、

Sentiment Classification：IMDb、SST-2、Twitter Sentiment140 

News Classification（四分類）：AGNews 

Question Classification（46類分類）：TREC Semantic Parsing/Compositional 

Generalization： COGS 生成給定英語句子的語義表示的任務(wù)。例如，A cat smiled → cat(x1) AND smile.agent(x2, x1).

Experimental Setup

Pre-training 數(shù)據(jù)：the Colossal Cleaned Com- monCrawl Corpus (C4)

span size: 3

optimizer: Adafactor optimizer

GPU: 16 TPU-v3 12小時(shí)

Results

可以看出，除了IMDb之外，其他的任務(wù)中，卷積模型的效果都是要優(yōu)于Transformer的。

但是感覺也可以理解，因?yàn)槌颂鎿Qself-attention之外，大致結(jié)構(gòu)也都和Transformer是一致的，記得之前也有文章說過Transformer最有效的部分并不是self-attention？

此外作者還對(duì)比了二者的速度和操作數(shù)量變化：

可以看出卷積不僅始終比Transformer更快（即使在較短的序列中）操作更少，而且比Transformer的規(guī)模更大。卷積處理文本的長度可以線性擴(kuò)展，而Transformer不能擴(kuò)展到更長的序列。

??

為啥沒在GLUE上測試?

那如果把Transformer整體都替換為卷積是否還會(huì)有這樣的效果呢？

而且作者說目前的模型還沒辦法處理cross-sentence的情況。