Transformer-XL解读(论文 + PyTorch源码)

目前在NLP领域中,处理语言建模问题有两种最先进的架构:RNN和Transformer。RNN按照序列顺序逐个学习输入的单词或字符之间的关系,而Transformer则接收一整段序列,然后使用self-attention机制来学习它们之间的依赖关系。这两种架构目前来看都取得了令人瞩目的成就,但它们都局限在捕捉长期依赖性上。

为了解决这一问题,CMU联合Google Brain在2019年1月推出的一篇新论文《Transformer-XL:Attentive Language Models beyond a Fixed-Length Context》同时结合了RNN序列建模和Transformer自注意力机制的优点,在输入数据的每个段上使用Transformer的注意力模块,并使用循环机制来学习连续段之间的依赖关系。Transformer-XL在多种语言建模数据集(如单词级别的enwik8和字符级别的text8)上实现了目前的SoTA效果,且该模型在推理阶段速度更快,比之前最先进的利用Transformer进行语言建模的方法快300~1800倍。 同时,该论文也放出了其配套源码(包括TensorFlow和PyTorch的)、预训练模型及在各个数据集上训练的超参数,可以说是非常良心了~造福我等伸手党!

本文将主要针对模型原理及其PyTorch实现进行逐一对照解读,因笔者能力有限,如有不详尽之处,可移步文末的传送门进行详细阅读,并欢迎指出~

 

文章目录

 

一. 回顾Transformer

在NLP领域中,一种对语言建模的最常用模型就是RNN,它可以捕捉单词之间的依赖关系。但因为梯度消失和爆炸的问题,RNN变得非常难以训练,LSTM单元和梯度裁剪方法的提出也不足以解决此类问题。同时RNN网络的计算速度往往很慢,其学习长期依赖的能力也较为有限(论文中提到,LSTM语言模型平均只能建模200个上下文词语)。

2017年6月,Google Brain在论文《Attention Is All You Need》中提出的Transformer架构,完全摒弃了RNN的循环机制,采用一种self-attention的方式进行全局处理。其接收一整段序列,并使用三个可训练的权重矩阵——Query、Key和Value来一次性学习输入序列中各个部分之间的依赖关系。Transformer网络由多个层组成,每个层都由多头注意力机制和前馈网络构成。由于在全局进行注意力机制的计算,忽略了序列中最重要的位置信息。Transformer为输入添加了位置编码(Positional Encoding),使用正弦函数完成,为每个部分的位置生成位置向量,不需要学习,用于帮助网络学习其位置信息。其示意如下图所示:
Transformer
有关Transformer的更深入讨论,可参考笔者之前的博客:

Transformer(论文 + PyTorch源码解读)

二. vanilla Transformer

为何要提这个模型?因为Transformer-XL是基于这个模型进行的改进。

Al-Rfou等人基于Transformer提出了一种训练语言模型的方法( https://arxiv.org/abs/1808.04444 ),来根据之前的字符预测片段中的下一个字符。例如,它使用x 1 , x 2 , . . . , x n − 1 x_1, x_2, ..., x_{n-1}x1​,x2​,...,xn−1​预测字符x n x_nxn​,而在x n x_nxn​之后的序列则被mask掉。论文中使用64层模型,并仅限于处理 512个字符这种相对较短的输入,因此它将输入分成段,并分别从每个段中进行学习,如下图所示。 在测试阶段如需处理较长的输入,该模型会在每一步中将输入向右移动一个字符,以此实现对单个字符的预测。
vanilla Transformer示意图
该模型在常用的数据集如enwik8和text8上的表现比RNN模型要好,但它仍有以下两个缺点:

a. 上下文长度受限:字符之间的最大依赖距离受输入长度的限制,模型看不到出现在几个句子之前的单词。
b. 上下文碎片:对于长度超过512个字符的文本,都是从头开始单独训练的。段与段之间没有上下文依赖性,会让训练效率低下,也会影响模型的性能。
c. 推理速度慢:在测试阶段,每次预测下一个单词,都需要重新构建一遍上下文,并从头开始计算,这样的计算速度非常慢。

三. Transformer-XL

Transformer-XL架构在vanilla Transformer的基础上引入了两点创新:循环机制(Recurrence Mechanism)和相对位置编码(Relative Positional Encoding),以克服vanilla Transformer的缺点。与vanilla Transformer相比,Transformer-XL的另一个优势是它可以被用于单词级和字符级的语言建模。

1. 引入循环机制

与vanilla Transformer的基本思路一样,Transformer-XL仍然是使用分段的方式进行建模,但其与vanilla Transformer的本质不同是在于引入了段与段之间的循环机制,使得当前段在建模的时候能够利用之前段的信息来实现长期依赖性。如下图所示:
Transformer-XL示意图
在训练阶段,处理后面的段时,每个隐藏层都会接收两个输入:

  1. 该段的前面隐藏层的输出,与vanilla Transformer相同(上图的灰色线)。
  2. 前面段的隐藏层的输出(上图的绿色线),可以使模型创建长期依赖关系。

这两个输入会被拼接,然后用于计算当前段的Key和Value矩阵。对于某个段的某一层的具体计算公式如下:
引入循环机制后的计算方式
其中,τ \tauτ表示第几段,n nn表示第几层,h hh表示隐层的输出。S G ( ⋅ ) SG(·)SG(⋅)表示停止计算梯度,[ h u ∘ h v ] [h_u \circ h_v][hu​∘hv​]表示在长度维度上的两个隐层的拼接,W . W_.W.​是模型参数。乍一看与Transformer中的计算公式很像,唯一关键的不同就在于Key和Value矩阵的计算上,即k τ + 1 n k_{\tau+1}^nkτ+1n​和v τ + 1 n v_{\tau + 1}^nvτ+1n​,它们基于的是扩展后的上下文隐层状态h ~ τ + 1 n − 1 \tilde{h}_{\tau+1}^{n-1}h~τ+1n−1​进行计算,h τ n − 1 {h}_{\tau}^{n-1}hτn−1​是之前段的缓存。

原则上只要GPU内存允许,该方法可以利用前面更多段的信息,测试阶段也可以获得更长的依赖。

在测试阶段,与vanilla Transformer相比,其速度也会更快。在vanilla Transformer中,一次只能前进一个step,并且需要重新构建段,并全部从头开始计算;而在Transformer-XL中,每次可以前进一整个段,并利用之前段的数据来预测当前段的输出。

2. 相对位置编码

在Transformer中,一个重要的地方在于其考虑了序列的位置信息。在分段的情况下,如果仅仅对于每个段仍直接使用Transformer中的位置编码,即每个不同段在同一个位置上的表示使用相同的位置编码,就会出现问题。比如,第i − 2 i-2i−2段和第i − 1 i-1i−1段的第一个位置将具有相同的位置编码,但它们对于第i ii段的建模重要性显然并不相同(例如第i − 2 i-2i−2段中的第一个位置重要性可能要低一些)。因此,需要对这种位置进行区分。

论文对于这个问题,提出了一种新的位置编码的方式,即会根据词之间的相对距离而非像Transformer中的绝对位置进行编码。在Transformer中,第一层的计算查询q i T q_i^TqiT​和键k j k_jkj​之间的attention分数的方式为:
Transformer的attention计算公式分解
其中,E x i E_{x_i}Exi​​是词i ii的embedding,E x j E_{x_j}Exj​​是词j jj的embedding,U i U_iUi​和U j U_jUj​是位置向量,这个式子实际上是( W q ( E x i + U i ) ) T ⋅ ( W k ( E x j + U j ) ) (W_q(E_{x_i}+U_i))^T·(W_k(E_{x_j}+U_j))(Wq​(Exi​​+Ui​))T⋅(Wk​(Exj​​+Uj​))的展开,就是Transformer中的标准格式。

在Transformer-XL中,对上述的attention计算方式进行了变换,转为相对位置的计算,而且不仅仅在第一层这么计算,在每一层都是这样计算。
Transformer-XL的attention计算公式分解
对比来看,主要有三点变化:

  1. 在(b)和(d)这两项中,将所有绝对位置向量U j U_jUj​都转为相对位置向量R i − j R_{i-j}Ri−j​,与Transformer一样,这是一个固定的编码向量,不需要学习。
  2. 在(c)这一项中,将查询的U i T W q T U_i^TW_q^TUiT​WqT​向量转为一个需要学习的参数向量u uu,因为在考虑相对位置的时候,不需要查询的绝对位置i ii,因此对于任意的i ii,都可以采用同样的向量。同理,在(d)这一项中,也将查询的U i T W q T U_i^TW_q^TUiT​WqT​向量转为另一个需要学习的参数向量v vv。
  3. 将键的权重变换矩阵W k W_kWk​转为W k , E W_{k, E}Wk,E​和W k , R W_{k, R}Wk,R​,分别作为content-based key vectors和location-based key vectors。

从另一个角度来解读这个公式的话,可以将attention的计算分为如下四个部分:

a. 基于内容的“寻址”,即没有添加原始位置编码的原始分数。
b. 基于内容的位置偏置,即相对于当前内容的位置偏差。
c. 全局的内容偏置,用于衡量key的重要性。
d. 全局的位置偏置,根据query和key之间的距离调整重要性。

3. 整体计算公式

结合上面两个创新点,将Transformer-XL模型的整体计算公式整理如下,这里考虑一个N层的只有一个注意力头的模型:
Transformer-XL的整体计算公式
其中,τ \tauτ代表第几段,n nn代表第几层,h τ 0 : = E s τ h_\tau^0 := E_{s_\tau}hτ0​:=Esτ​​定义为第τ \tauτ段的词向量序列。值得一提的是,计算A AA矩阵的时候,需要对所有的i − j i-ji−j计算W k , R n R i − j W_{k,R}^nR_{i-j}Wk,Rn​Ri−j​,如果直接按照公式计算的话,计算时间是O ( l e n g t h ) 2 O(length)^2O(length)2,而实际上i − j i-ji−j的范围只从0 ~ length,因此可以先计算好这length个向量,然后在实际计算A AA矩阵时直接取用即可。

具体的,设M MM和L LL分别为memory和当前段序列的长度,则i − j i-ji−j的范围也就为0 ~ M + L − 1 M + L - 1M+L−1。下面的Q QQ矩阵中的每一行都代表着W k , R R i − j W_{k,R}R_{i-j}Wk,R​Ri−j​中一个i − j i-ji−j的可能性,即Q k = W k , R R M + L − 1 − k Q_k = W_{k, R} R_{M+L-1-k}Qk​=Wk,R​RM+L−1−k​。
Q矩阵
则对于上面公式中的(b)项,即q i T W k , R R i − j q_i^TW_{k,R}R_{i-j}qiT​Wk,R​Ri−j​,其构成的所有可能向量的矩阵为B BB矩阵,其形状为L ∗ ( M + L ) L * (M + L)L∗(M+L),这是我们最终需要的(b)项的attention结果。
B矩阵
我们进一步定义B ~ \tilde{B}B~矩阵为如下:
B矩阵的变换
可见,需要的B BB矩阵的每一行只是B ~ \tilde{B}B~的向左shift而已。因此,可以直接利用矩阵乘法计算B ~ \tilde{B}B~即可。设R i − j R_{i-j}Ri−j​的维度为d R d_RdR​,q i q_iqi​的维度为d q d_qdq​,W k , R W_{k,R}Wk,R​矩阵的维度为d q ∗ d R d_q * d_Rdq​∗dR​,则直接计算矩阵B的时间复杂度为2 ∗ d q ∗ d R ∗ L ∗ ( M + L ) 2* d_q * d_R * L * (M+L)2∗dq​∗dR​∗L∗(M+L),而计算B ~ \tilde{B}B~的时间复杂度为L ∗ d q ∗ ( M + L ) + d q ∗ d R ∗ ( M + L ) L * d_q * (M + L) + d_q * d_R * (M + L)L∗dq​∗(M+L)+dq​∗dR​∗(M+L),计算量明显不是一个量级(后者要快很多)。

同理,对于(d)项来说,可以对所有的i − j i-ji−j定义需要的矩阵D DD为L ∗ ( M + L ) L * (M+L)L∗(M+L):
D矩阵
可以用如下的d ~ \tilde{d}d~来进行shift得到:
D矩阵的变换
其中Q QQ矩阵已经计算过了,也可以在这一步减少计算量。

四. PyTorch实现

笔者在这里主要研究的是核心模型部分,将针对关键的实现细节进行剖析,想要看完整代码的读者请戳这里

  1. 首先来看RelativePositionalEmbedding部分。
class PositionalEmbedding(nn.Module):
    def __init__(self, demb):
        super(PositionalEmbedding, self).__init__()
        self.demb = demb
        inv_freq = 1 / (10000 ** (torch.arange(0.0, demb, 2.0) / demb))

    def forward(self, pos_seq):
        sinusoid_inp = torch.ger(pos_seq, self.inv_freq)
        pos_emb = torch.cat([sinusoid_inp.sin(), sinusoid_inp.cos()], dim=-1)
        return pos_emb[:,None,:]
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10

这里的demb是相对位置编码的维度,pos_seq是序列的位置向量,在代码里面是torch.arange(klen-1, -1, -1.0),其中的klenmlen+qlen,从名称和之前的原理介绍可知这里的mlen是memory的长度,qlen是query的长度,这两者组成了key的长度。最终返回的即是R RR向量矩阵,可见是不需要学习的。

  1. 接着来看MultiHeadAttention的部分,为了叙述方便,这里的MultiHeadAttn是源代码中的RelMultiHeadAttn和RelPartialLearnableMultiHeadAttn的整合,也即一层self-attention的计算方式。

class MultiHeadAttn(nn.Module):
    def __init__(self, n_head, d_model, d_head, dropout, dropatt=0,
                 tgt_len=None, ext_len=None, mem_len=None, pre_lnorm=False):
        super(MultiHeadAttn, self).__init__()

		self.n_head = n_head
        self.d_model = d_model
        self.d_head = d_head
        self.dropout = dropout

        self.qkv_net = nn.Linear(d_model, 3 * n_head * d_head, bias=False)

        self.drop = nn.Dropout(dropout)
        self.dropatt = nn.Dropout(dropatt)
        self.o_net = nn.Linear(n_head * d_head, d_model, bias=False)

        self.layer_norm = nn.LayerNorm(d_model)

        self.scale = 1 / (d_head ** 0.5)

        self.pre_lnorm = pre_lnorm

        self.r_net = nn.Linear(self.d_model, self.n_head * self.d_head, bias=False)

		def _rel_shift(self, x, zero_triu=False):
	        zero_pad = torch.zeros((x.size(0), 1, *x.size()[2:]),
	                               device=x.device, dtype=x.dtype)
	        x_padded = torch.cat([zero_pad, x], dim=1)
	
	        x_padded = x_padded.view(x.size(1) + 1, x.size(0), *x.size()[2:])
	
	        x = x_padded[1:].view_as(x)
	
	        if zero_triu:
	            ones = torch.ones((x.size(0), x.size(1)))
	            x = x * torch.tril(ones, x.size(1) - x.size(0))[:,:,None,None]
	
	        return x

        def forward(self, w, r, r_w_bias, r_r_bias, attn_mask=None, mems=None):
	        qlen, rlen, bsz = w.size(0), r.size(0), w.size(1)
	
	        if mems is not None:
	            cat = torch.cat([mems, w], 0)
	            if self.pre_lnorm:
	                w_heads = self.qkv_net(self.layer_norm(cat))
	            else:
	                w_heads = self.qkv_net(cat)
	            r_head_k = self.r_net(r)
	
	            w_head_q, w_head_k, w_head_v = torch.chunk(w_heads, 3, dim=-1)
	            w_head_q = w_head_q[-qlen:]
	        else:
	            if self.pre_lnorm:
	                w_heads = self.qkv_net(self.layer_norm(w))
	            else:
	                w_heads = self.qkv_net(w)
	            r_head_k = self.r_net(r)
	
	            w_head_q, w_head_k, w_head_v = torch.chunk(w_heads, 3, dim=-1)
	
	        klen = w_head_k.size(0)
	
	        w_head_q = w_head_q.view(qlen, bsz, self.n_head, self.d_head)           # qlen x bsz x n_head x d_head
	        w_head_k = w_head_k.view(klen, bsz, self.n_head, self.d_head)           # qlen x bsz x n_head x d_head
	        w_head_v = w_head_v.view(klen, bsz, self.n_head, self.d_head)           # qlen x bsz x n_head x d_head
	
	        r_head_k = r_head_k.view(rlen, self.n_head, self.d_head)                # qlen x n_head x d_head
	
	        #### compute attention score
	        rw_head_q = w_head_q + r_w_bias                                         # qlen x bsz x n_head x d_head
	        AC = torch.einsum('ibnd,jbnd->ijbn', (rw_head_q, w_head_k))             # qlen x klen x bsz x n_head
	
	        rr_head_q = w_head_q + r_r_bias
	        BD = torch.einsum('ibnd,jnd->ijbn', (rr_head_q, r_head_k))              # qlen x klen x bsz x n_head
	        BD = self._rel_shift(BD)
	
	        # [qlen x klen x bsz x n_head]
	        attn_score = AC + BD
	        attn_score.mul_(self.scale)
	
	        #### compute attention probability
	        if attn_mask is not None and attn_mask.any().item():
	            if attn_mask.dim() == 2:
	                attn_score = attn_score.float().masked_fill(
	                    attn_mask[None,:,:,None], -float('inf')).type_as(attn_score)
	            elif attn_mask.dim() == 3:
	                attn_score = attn_score.float().masked_fill(
	                    attn_mask[:,:,:,None], -float('inf')).type_as(attn_score)
	
	        # [qlen x klen x bsz x n_head]
	        attn_prob = F.softmax(attn_score, dim=1)
	        attn_prob = self.dropatt(attn_prob)
	
	        #### compute attention vector
	        attn_vec = torch.einsum('ijbn,jbnd->ibnd', (attn_prob, w_head_v))
	
	        # [qlen x bsz x n_head x d_head]
	        attn_vec = attn_vec.contiguous().view(
	            attn_vec.size(0), attn_vec.size(1), self.n_head * self.d_head)
	
	        ##### linear projection
	        attn_out = self.o_net(attn_vec)
	        attn_out = self.drop(attn_out)
	
	        if self.pre_lnorm:
	            ##### residual connection
	            output = w + attn_out
	        else:
	            ##### residual connection + layer normalization
	            output = self.layer_norm(w + attn_out)
	
	        return output
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24
  • 25
  • 26
  • 27
  • 28
  • 29
  • 30
  • 31
  • 32
  • 33
  • 34
  • 35
  • 36
  • 37
  • 38
  • 39
  • 40
  • 41
  • 42
  • 43
  • 44
  • 45
  • 46
  • 47
  • 48
  • 49
  • 50
  • 51
  • 52
  • 53
  • 54
  • 55
  • 56
  • 57
  • 58
  • 59
  • 60
  • 61
  • 62
  • 63
  • 64
  • 65
  • 66
  • 67
  • 68
  • 69
  • 70
  • 71
  • 72
  • 73
  • 74
  • 75
  • 76
  • 77
  • 78
  • 79
  • 80
  • 81
  • 82
  • 83
  • 84
  • 85
  • 86
  • 87
  • 88
  • 89
  • 90
  • 91
  • 92
  • 93
  • 94
  • 95
  • 96
  • 97
  • 98
  • 99
  • 100
  • 101
  • 102
  • 103
  • 104
  • 105
  • 106
  • 107
  • 108
  • 109
  • 110
  • 111
  • 112
  • 113
  • 114

其中n_head,d_model,d_head分别表示注意力头的个数,模型的隐层维度,每个头的隐层维度。qkv_net是用于计算query、key和value变换的参数矩阵W q , W k , E , W v W_{q}, W_{k,E}, W_{v}Wq​,Wk,E​,Wv​,与标准的Transformer中一致,o_net是用于将所有注意力头的结果拼接后再变换到模型维度的参数矩阵,layer_norm是LayerNormalization层,r_net是用于计算relative position embedding变换的参数矩阵W k , R W_{k,R}Wk,R​。

在前向计算的过程中,wr分别是上一层的输出以及RelativePositionEmbedding,r_w_biasr_r_bias分别是u uu向量和v vv向量,AC是前面公式中的(a)项和(c)项,BD是前面公式中的(b)项和(d)项,根据前面讲的快速计算带有相对位置的项,这里的BD需要进行偏移,即_rel_shift,经过笔者的演算,发现这里经过此函数后的BD并不是想要的B BB矩阵,其在B BB矩阵的(M+1)对角线(设主对角线为0,正数即为向右上偏移的量)的右上还有元素,不过后面紧接着就进行了mask。这里的attn_mask即为torch.triu(word_emb.new_ones(qlen, klen), diagonal=1+mlen).byte()[:,:,None]。再往后就是标准的Transformer中的add&norm环节了,就不再赘述。

  1. 最后来看memory的更新过程:
def _update_mems(self, hids, mems, qlen, mlen):
    # does not deal with None
    if mems is None: return None

    # mems is not None
    assert len(hids) == len(mems), 'len(hids) != len(mems)'

    # There are `mlen + qlen` steps that can be cached into mems
    # For the next step, the last `ext_len` of the `qlen` tokens
    # will be used as the extended context. Hence, we only cache
    # the tokens from `mlen + qlen - self.ext_len - self.mem_len`
    # to `mlen + qlen - self.ext_len`.
    with torch.no_grad():
        new_mems = []
        end_idx = mlen + max(0, qlen - 0 - self.ext_len)
        beg_idx = max(0, end_idx - self.mem_len)
        for i in range(len(hids)):

            cat = torch.cat([mems[i], hids[i]], dim=0)
            new_mems.append(cat[beg_idx:end_idx].detach())

    return new_mems
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22

这里的hids是当前段每层的输出,mems为当前段每层依赖的memory,qlen为序列长度,mlen为当前段依赖的memory的长度。

从代码来看的话,前面的循环示意图似乎有些问题?感觉在训练阶段,对于每个段里面的第二个位置开始的点,都应该连到第一个位置连到的最前面memory?因为用的是同样长度的memory。

五. 实验结果

1. 语言建模指标

在最关心的语言模型建模指标上,论文比较了模型在单词级别和字符级别上不同数据集的表现,并且与RNN和(vanilla) Transformer都做了比较。实验证明,Transformer-XL在各个不同的数据集上均实现了目前的SoTA:在大型单词级别数据集WikiText-103上,Transformer-XL将困惑度从20.5降到18.3;在enwiki8数据集上,12层Transformer-XL的bpc达到了1.06,相同bpc的AI-Rfou的模型( https://arxiv.org/abs/1808.04444 )参数量却是6倍,24层Transformer-XL的bpc更是达到了0.99;在One Billion Word数据集上(仅具有短句的)和Penn Treebank数据集上(小型,仅有1M)也取得了SoTA的效果,前者的困惑度从23.7到21.8,后者的困惑度从55.3到54.5。表明了Transformer-XL在各个数据集下的不俗竞争力。

2. 两个创新点的优势

下图比较了不同上下文长度(即memory的长度)中包不包含循环机制、以及使不使用新位置编码方式的困惑度得分。可见,使用循环机制和相对位置编码的Transformer-XL明显优于其他的模型,并且能够有效利用长期依赖性,而且它能捕获超出RNN 80%的依赖性,和超出Transformer 450%的依赖性。
Transformer-XL的对比实验

3. 测试阶段的速度

Transformer-XL的推理速度也明显快于vanilla Transformer,尤其是对于较长的上下文。比如,在上下文长度为800时,Transformer-XL提速363倍;而当上下文长度增加到3800时,Transformer-XL提速1874倍!

六. 总结

1. 模型特点

在 AI-Rfou 等人提出的vanilla Transformer上做了两点创新:

  1. 引入循环机制(Recurrence Mechanism)
  2. 相对位置编码(Relative Positional Encoding)

2. 优点

  1. 在几种不同的数据集(大/小,字符级别/单词级别等)均实现了最先进的语言建模结果。
  2. 结合了深度学习的两个重要概念——循环机制和注意力机制,允许模型学习长期依赖性,且可能可以扩展到需要该能力的其他深度学习领域,例如音频分析(如每秒16k样本的语音数据)等。
  3. 在inference阶段非常快,比之前最先进的利用Transformer模型进行语言建模的方法快300~1800倍。
  4. 有详尽的源码!含TensorFlow和PyTorch版本的,并且有TensorFlow预训练好的模型及各个数据集上详尽的超参数设置。

3. 不足

  1. 尚未在具体的NLP任务如情感分析、QA等上应用。
  2. 没有给出与其他的基于Transformer的模型,如BERT等,对比有何优势。
  3. 在Github源码中提到,目前的sota结果是在TPU大集群上训练得出,对于我等渣机器党就只能玩玩base模式了。

传送门

论文:https://arxiv.org/pdf/1901.02860.pdf
代码:https://github.com/kimiyoung/transformer-xl
参考:https://www.lyrn.ai/2019/01/16/transformer-xl-sota-language-model

  • 1
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

AI周红伟

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值