復(fù)旦大學(xué)邱錫鵬組最新綜述：A Survey of Transformers！

作者 | Tnil@知乎     

編輯 | NewBeeNLP

轉(zhuǎn)眼Transformer模型被提出了4年了。依靠弱歸納偏置、易于并行的結(jié)構(gòu)，Transformer已經(jīng)成為了NLP領(lǐng)域的寵兒，并且最近在CV等領(lǐng)域的潛能也在逐漸被挖掘。盡管Transformer已經(jīng)被證明有很好的通用性，但它也存在一些明顯的問題，例如：

1. 核心模塊自注意力對(duì)輸入序列長(zhǎng)度有平方級(jí)別的復(fù)雜度，這使得Transformer對(duì)長(zhǎng)序列應(yīng)用不友好。例如一個(gè)簡(jiǎn)單的32x32圖像展開就會(huì)包括1024個(gè)輸入元素，一個(gè)長(zhǎng)文檔文本序列可能有成千上萬個(gè)字，因此有大量現(xiàn)有工作提出了輕量化的注意力變體（例如稀疏注意力），或者采用『分而治之』的思路（例如引入recurrence）；

2. 與卷積網(wǎng)絡(luò)和循環(huán)網(wǎng)絡(luò)不同，Transformer結(jié)構(gòu)幾乎沒有什么歸納偏置。這個(gè)性質(zhì)雖然帶來很強(qiáng)的通用性，但在小數(shù)據(jù)上卻有更高的過擬合風(fēng)險(xiǎn)，因此可能需要引入結(jié)構(gòu)先驗(yàn)、正則化，或者使用無監(jiān)督預(yù)訓(xùn)練。

近幾年涌現(xiàn)了很多Transformer的變體，各自從不同的角度來改良Transformer，使其在計(jì)算上或者資源需求上更友好，或者修改Transformer的部分模塊機(jī)制增大模型容量等等。

但是，很多剛接觸Transformer的研究人員很難直觀地了解現(xiàn)有的Transformer變體，例如前陣子有讀者私信我問Transformer相關(guān)的問題，聊了一會(huì)兒才發(fā)現(xiàn)他不知道Transformer中的layer norm也有pre-LN和post-LN兩種變體。因此，我們認(rèn)為很有必要對(duì)現(xiàn)有的各種Transformer變體做一次整理，于是產(chǎn)生了一篇survey ，現(xiàn)在掛在了arxiv上：

• A Survey of Transformers^[1]
• http://arxiv.org/abs/2106.04554

在這篇文章之前，已經(jīng)有一些很好的對(duì)PTM和Transformer應(yīng)用的綜述（例如Pre-trained Models for Natural Language Processing: A Survey』^[2]和 『A Survey on Visual Transformer』^[3]）。在這篇文章中，我們把重心放在對(duì)Transformer結(jié)構(gòu)（模塊級(jí)別和架構(gòu)級(jí)別）的改良上，包括對(duì)Attention模塊的諸多改良、各種位置表示方法等。

Transformer變體分類

值得一提的是，Google去年放出過一篇關(guān)于Transformer的綜述（『Efficient Transformers: A Survey』^[4]），主要關(guān)注了Attention模塊的效率問題（這在我們的綜述中也覆蓋了）。雖然是一篇很好的review，但是筆者認(rèn)為它對(duì)于Attention變體的分類有一些模糊，例如作者將Compressive Transformer、ETC和Longformer這一類工作、以及Memory Compressed Attention都?xì)w類為一種基于Memory的改進(jìn)，筆者認(rèn)為memory在這幾種方法中各自有不同的含義，使用Memory來概括很難捕捉到方法的本質(zhì)。我們的文章對(duì)這幾個(gè)方法有不同的分類：

1. Compressive Transformer是一種『分而治之』的架構(gòu)級(jí)別的改進(jìn)，相當(dāng)于在Transformer基礎(chǔ)上添加了一個(gè)wrapper來增大有效上下文的長(zhǎng)度；

2. ETC和Longformer一類方法是一種稀疏注意力的改進(jìn)，主要思路是對(duì)標(biāo)準(zhǔn)注意力代表的全鏈接二分圖的連接作稀疏化的處理；

3. Set Transformer、Memory Compressed Attention、Linformer對(duì)應(yīng)一種對(duì)KV memory壓縮的方法，思路是縮短注意力矩陣的寬。

本文參考資料