雷鋒網(wǎng)AI科技評論消息，谷歌最近與多倫多大學(xué)等高校合作發(fā)表論文，提出了一種新的網(wǎng)絡(luò)框架——Transformer。Transformer是完全基于注意力機制（attention mechanism)的網(wǎng)絡(luò)框架，放棄了RNN和CNN模型。

眾所周知，在編碼-解碼框架中，主流的序列傳導(dǎo)模型都是基于RNN或者CNN的，其中能完美連接編碼器和解碼器的是注意力機制。而谷歌提出的這一新框架Transformer，則是完全基于注意力機制的。

Transformer用于執(zhí)行翻譯任務(wù)，實驗表明，這一模型表現(xiàn)極好，可并行化，并且大大減少訓(xùn)練時間。Transformer在WMT 2014英德翻譯任務(wù)上實現(xiàn)了28.4 BLEU，改善了現(xiàn)有的最佳成績（包括超過2個BLEU的集合模型），在WMT 2014英法翻譯任務(wù)中，建立了一個新的單一模式，在八個GPU上訓(xùn)練了3.5天后，最好的BLEU得分為41.0，這在訓(xùn)練成本最小的情況下達到了最佳性能。由Transformer泛化的模型成功應(yīng)用于其他任務(wù)，例如在大量數(shù)據(jù)集和有限數(shù)據(jù)集中訓(xùn)練英語成分句法解析的任務(wù)。

注意力機制是序列模型和傳導(dǎo)模型的結(jié)合，在不考慮輸入輸出序列距離的前提下允許模型相互依賴，有時（但是很少的情況），注意力機制會和RNN結(jié)合。

模型結(jié)構(gòu)如下：

編碼器：編碼器有6個完全的層堆棧而成，每一層都有兩個子層。第一個子層是多頭的self-attention機制，第二層是一層簡單的前饋網(wǎng)絡(luò)全連接層。在每一層子層都有residual和歸一化。

解碼器：解碼器也是有6個完全相同的層堆棧而成，每一層有三個子層，在編碼棧的輸出處作為多頭的attention機制。

注意（attention）：功能是將Query和一組鍵-值對映射到輸出，那么包括query、鍵、值及輸出就都成為了向量。輸出是值的權(quán)重加和，而權(quán)重則是由值對應(yīng)的query和鍵計算而得。

source：arxiv

雷鋒網(wǎng)了解到，谷歌這一模型在眾多翻譯任務(wù)中都取得了最佳成績，其泛化模型也在其他識別任務(wù)中表現(xiàn)優(yōu)異。谷歌對這一基于注意力機制的Transformer表示樂觀，研究人員很高興看到模型在其他任務(wù)中表現(xiàn)良好，谷歌計劃研究Transformer的更廣泛應(yīng)用——其他形式的輸入輸出，包括圖像、音頻及視頻等。

原文鏈接：https://arxiv.org/abs/1706.03762，雷鋒網(wǎng)編譯

附谷歌之前的翻譯框架進化史：

一）基于短語的機器翻譯。

2006 年Google團隊改進了——統(tǒng)計機器翻譯(statistical machine translation)，并宣布上線Google Translate翻譯功能。當(dāng)時的核心技術(shù) “統(tǒng)計機器翻譯”的基本思想是通過對大量平行語料進行統(tǒng)計分析、構(gòu)建統(tǒng)計翻譯模型、進而使用此模型進行翻譯。簡單來說，你可以認為這個翻譯系統(tǒng)是基于短語翻譯的。

二）用于自動翻譯的端到端的學(xué)習(xí)方法。

谷歌2016年9月29日前后正式發(fā)布第一代神經(jīng)翻譯系統(tǒng)。當(dāng)時谷歌在 ArXiv.org 上發(fā)表論文《Google`s Neural Machine Translation System: Bridging the Gap between Human and Machine Translation》介紹谷歌的神經(jīng)機器翻譯系統(tǒng)（GNMT），相對于十年前發(fā)布的 Google Translate（谷歌翻譯），當(dāng)時其服務(wù)背后的核心算法是基于短語的機器翻譯。神經(jīng)機器翻譯（NMT: Neural Machine Translation）是一種用于自動翻譯的端到端的學(xué)習(xí)方法，該方法有望克服傳統(tǒng)的基于短語的翻譯系統(tǒng)的缺點。

當(dāng)時外界對這個神經(jīng)翻譯系統(tǒng)的褒貶不一，比較綜合的評價是：在同等語料的情況下，相較于基于短語的統(tǒng)計機器翻譯，神經(jīng)機器翻譯（GNMT）系統(tǒng)能在更少工程量的基礎(chǔ)上實現(xiàn)相同的效果。但是其純粹把輸入的句子當(dāng)做一個序列（理論上任意符號序列都可以），不考慮這個句子本身作為語言的特性，生成的內(nèi)容可能會比較奇怪，難以控制，錯誤的結(jié)果也難以解釋。

三）完全基于注意力機制（attention mechanism)的網(wǎng)絡(luò)框架。

谷歌翻譯新的網(wǎng)絡(luò)框架——Transformer是完全基于注意力機制（attention mechanism)的網(wǎng)絡(luò)框架，如上文所說，注意力機制是序列模型和傳導(dǎo)模型的結(jié)合，在不考慮輸入輸出序列距離的前提下允許模型相互依賴，相比去年9月分公布的谷歌的神經(jīng)機器翻譯系統(tǒng)（GNMT），這里的傳導(dǎo)模型的加入極有可能是這次系統(tǒng)升級的關(guān)鍵，

雷峰網(wǎng)版權(quán)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。