[论文翻译]GLU Variants Improve Transformer

引言

今天带来一篇短小精悍的论文GLU Variants Improve Transformer笔记，作者提出了GLU¹的一种变体。

GLU(Gated Linear Units,门控线性单元)由两个线性投影的逐元素乘积组成，其中一个首先经过sigmoid函数。GLU的变体是可能生效的，可以使用不同的非线性(甚至线性)函数来替代sigmoid。作者在Transformer序列到序列模型的前馈子层中测试了这些变体，并发现其中一些相对于通常使用的ReLU或GELU激活函数会带来质量改进。

总体介绍

Transformer序列到序列模型在多头注意力和位置感知前馈网络之间交替进行。FFN接受一个向量$x$​，并通过两个学习得到的线性变换进行传递。在两个线性变换之间应用了ReLU激活函数。
$$\text{FFN}(x,W_1,W_2,b_1,b_2)=\max (0,x{W}_1+b_1)W_2+b_2\text{\hspace{1em}(1)}$$
沿用T5 codebase的设定，作者使用无偏置的版本
$$\text{FFN}(x,W_1,W_2)=\max (0,x{W}_1)W_2\text{\hspace{1em}(2)}$$
后续的研究提出了将ReLU替换为其他非线性激活函数，例如GELU(Gaussian Error Linear Units)²，$\text{GELU}(x)=x\Phi (x)$和${\text{Swish}}_{\beta }(x)=x\sigma (\beta x)$³。
$$\begin{gathered} {\text{FFN}}_{\text{GELU}}(x,W_1,W_2)=\text{GELU}(x{W}_1)W_2 \\ {\text{FFN}}_{\text{Swish}}(x,W_1,W_2)={\text{Swish}}_1(x{W}_1)W_2\text{\hspace{1em}(3)} \end{gathered}$$

${\text{Swish}}_1=x\sigma (x)$，即$\beta =1$。

GLU及其变体

Dauphin等人¹引入了GLU，一种神经网络层，被定义为输入的两个线性变换的逐元素乘积，其中一个经过了sigmoid激活。其作者还建议省略激活函数，称之为双线性(bilinear)层：
$$\begin{array}{rl}\text{GLU}(x,W,V,b,c)& =\sigma (xW+b)\otimes (xV+c)\\ \text{Bilinear}(x,W,V,b,c)& =(xW+b)\otimes (xV+c)\end{array}\text{\hspace{1em}(4)}$$
我们也可以使用其他激活函数来定义GLU的变体：
$$\begin{array}{rl}\text{ReGLU}(x,W,V,b,c)& =\max (0,xW+b)\otimes (xV+c)\\ \text{GeGLU}(x,W,V,b,c)& =\text{GELU}(xW+b)\otimes (xV+c)\\ \text{SwiGLU}(x,W,V,b,c)& ={\text{Swish}}_{\beta }(xW+b)\otimes (xV+c)\end{array}\text{\hspace{1em}(5)}$$

这几个激活函数的图像如下所示：

在本篇工作中，作提出了对Transformer FFN层的额外变种，其中使用GLU或其变种代替第一个线性变换和激活函数。同样，省略了偏置项。
$$\begin{array}{rl}{\text{FFN}}_{\text{GLU}}(x,W,V,W_2)& =(\sigma (xW)\otimes xV)W_2\\ {\text{FFN}}_{\text{Bilinear}}(x,W,V,W_2)& =(xW\otimes xV)W_2\\ {\text{FFN}}_{\text{ReGLU}}(x,W,V,W_2)& =(\max (0,xW)\otimes xV)W_2\\ {\text{FFN}}_{\text{GEGLU}}(x,W,V,W_2)& =(\text{GELU}(xW)\otimes xV)W_2\\ {\text{FFN}}_{\text{SwiGLU}}(x,W,V,W_2)& =({\text{Swish}}_1(xW)\otimes xV)W_2\end{array}\text{\hspace{1em}(6)}$$
与原始的FFN层相比，所有这些层都有三个权重矩阵，而不是两个。为了保持参数量和计算量的恒定，当将这些层与原始的双矩阵版本进行比较时，作者将隐藏单元的数量$d_{ff}$（$W$和$V$的第二个维度以及$W_{2}2$的第一个维度）减少了$\frac{2}{3}$。

实验

作者在T5的迁移学习设置上对所描述的FFN变种进行了测试。使用了一个编码器-解码器的Transformer模型，在预测缺失文本段的去噪目标上进行训练，并随后在各种语言理解任务上进行了微调。

模型架构

使用与T5的基准模型相同的代码库、模型架构和训练任务。编码器和解码器各由12个层组成，$d_{model}=768$。对于注意力层，$h=12,d_k=d_v=64$。FFN层的隐藏大小为$d_{ff}=3072$。如上所述，对于基于GLU变种的FFN层，它们具有三个权重矩阵而不是两个，将隐藏层减少到$d_{ff}=2048$，以保持与基准模型相同的参数和操作数量。

预训练和困惑度

与T5完全一致，在C4数据集上使用填充跨度任务进行了524288步的预训练。每个训练批次包含128个示例，每个示例的输入为512个标记，输出为114个标记，输出中包含从输入中删除的多个标记跨度。

类似于T5，使用Adafactor优化器和反平方根学习率调度。还在线性方式下在训练最后10%的步骤中衰减学习率。与T5的主要不同之处在于，在预训练期间不使用dropout。作者发现这样可以产生更好的结果。使用C4数据集中的一个保留分片计算训练目标的对数困惑度，祖宗认为这是模型质量的一个很好的指标。对于每个模型架构，还训练了四个模型进行较短的时间65536步的训练，以衡量不同运行之间的可变性。结果列在表1中。GEGLU和SwiGLU变种产生了最佳的困惑度。

微调

然后，作者对每个完全训练的模型进行了一次微调，使用的是SQuAD和GLUE以及SuperGlue基准测试中的所有语言理解任务的例子按比例混合而成。微调共包含131072步，学习率为$10^{-3}$​​。与训练过程类似，每一步的输入序列的总长度约为65536个标记。根据T5的建议，作者在层输出、前馈隐藏层和注意力权重上使用了0.1的dropout率。在微调期间，嵌入矩阵将被固定。

表2、表3和表4显示了在开发集上的结果。对于每个任务，作者报告了在微调过程中记录的任何检查点中的最佳得分。尽管结果有些噪音，但新的GLU变种在大多数任务上表现最佳。为了比较，在每个表的底部，作者列出了T5的结果。他们的模型与${\text{FFN}}_{\text{ReLU}}$模型完全相同。值得注意的是，他们的结果明显较差，作者认为这是由于他们在预训练期间使用了dropout所导致的。还列出了由T5测量的运行间标准偏差。

结论

作者扩展了GLU家族并将它们应用于Transformer模型中。在迁移学习的设置中，新的变种似乎在预训练中用于去噪目标的困惑度上表现更好，并在许多下游语言理解任务上取得了更好的结果。

总结

⭐ 作者用流行的激活函数(Swish,GeLU和ReLU等)替换GLU中的激活函数，得到了一个困惑度比较好的GLU变体——SwiGLU，但作者也无法解释效果好的原因。

参考

---

1. GLU Variants Improve Transformer ↩︎ ↩︎

2. GAUSSIAN ERROR LINEAR UNITS (GELUS) ↩︎

3. SEARCHING FOR ACTIVATION FUNCTIONS ↩︎