Google 开源最新 NLP 模型，能处理整本《罪与罚》

　　Transformer 可谓是近年 NLP 领域关注度颇高的模型之一。

　　2017 年，Google 发表题为“Attention Is All You Need”的论文，提出了完全基于注意力机制（attention mechanism）的网络框架 Transformer。

　　2018 年，Google 开源了基于 Transformer 的 BERT 模型，在 NLP 领域大火。

　　2019 年，机器学习领域最大的趋势之一便是基于 Transformer 的自然语言模型的持续增长和扩散。

　　2020 年，根据自然语言处理领域数据集 GLUE 的排行榜，一些表现最佳的模型——包括 Nvidia 的 Megatron、Google 的 XLNet、微软的 MT-DNN 和 Facebook 的 Roberta——都基于 Transformer。

　　近日，Google 又推出了 Transformer 的“升级版”——Reformer。

图片来源：VentureBeat 所有者：VentureBeat

　　比 Transformer 更高效

　　对人工智能和机器学习模型来说，不管是语言、音乐、语音还是视频，序列数据都不好理解——尤其是在广泛的环境中。例如，如果一个人或一个物体从视频中消失很久后才重新出现，许多算法就会忘记它的样子。

　　因此，Google 开发了机器翻译模型 Transformer，希望解决这一问题。Transformer 是一个扩展到数千个单词的架构，极大地提升了在完成作曲、图像合成、逐句文本翻译和文档摘要等任务时的性能。

　　与所有深度神经网络一样，Transformer 包含连接层中的神经元（数学函数），可传输来自输入数据的信号，并缓慢调整每个连接的突触强度（权重），这是所有人工智能模型提取特征和学习预测的方式，但是 Transformer 能独特地注意到每个输出元素都与每个输入元素相关联，它们之间的权重实际上是动态计算的。

　　不过，Transformer 并不是完美的——将其扩展到更大的环境中就能明显看出局限性。大窗口应用程序的内存从千兆字节到兆兆字节不等，也就是说模型只能吸收几段文本或生成一小段音乐。

　　基于此，Google 推出 Reformer 作为 Transformer 的演进，Reformer 能够处理多达 100 万字的环境，仅用 16GB 的存储器就能在单个 AI 加速器芯片上运行。

图片来源：论文

　　雷锋网了解到，相关论文“Reformer：The Efficient Transformer”已被将于 2020 年 4 月在埃塞俄比亚举行的自然语言处理顶会 ICLR-2020（International Conference on Learning Representations）接收，当前模型也已开源。

　　根据论文，Reformer 主要包含以下技术：

　　第一，可逆层在整个模型中只存储激活函数的单个副本，因此 N 因子消失；

　　第二，在前馈层内拆分激活函数，并进行分段处理，消除 dff 因子，节省前馈层内存；

　　第三，利用局部敏感哈希（雷锋网注： LSH，即一种哈希算法，主要运用到高维海量数据的快速近似查找）。具体来讲，哈希函数即一种将任意大小的数据映射到固定大小的值的函数，该函数匹配相似的向量（即表示机器学习中人类可读数据的代数构造），而不是在所有可能的向量对中搜索。

　　例如，在翻译任务中，来自网络第一层的每个向量表示一个词，对应于不同语言中相同词的向量可以获得相同的哈希值。当分配哈希时，序列会重新排列，接着按元素的哈希值分类，实现并行处理，这样降低了长序列的复杂度，极大地减少了计算负荷。

　　Reformer 可处理整部小说

　　为验证 Reformer 确实能够在单个 GPU 上运行，并可在长序列上快速训练，研究人员在 enwik8 和 imagenet64 数据集上对 20 层的 Reformer 模型进行了训练。实验表明，Reformer 能达到与 Transformer 相同的性能，并且内存效率更高，在长序列任务上训练更快。

图片来源：论文