参数少一半，效果还更好，天津大学和微软提出Transformer压缩模型

编者按：由于在自然语言处理任务中的突出表现，基于Transformer的预训练语言模型是NLP领域的研究重点。考虑到模型参数量过大，导致其训练困难，部署不方便，研究人员一直在探究压缩模型的方法。近日，天津大学联合微软亚洲研究院提出了Transformer的压缩方法，不仅减少了近一半的参数量，模型在语言建模和神经机器翻译任务的表现也有所提升。这一研究可帮助在一些算力资源较小的环境中部署预训练语言模型。本文经授权转载自微信公众号“机器之心”。

引言

近来，预训练语言模型在很多NLP任务中表现良好。特别是基于Transformer的预训练语言模型，它完全基于自注意机机制，在自然语言处理（NLP）各项任务中取得了突破。

然而，在这些模型中，Transformer的核心结构——多头注意力机制限制了模型的发展。多头注意力机制本身带来大量的参数，这使得模型很难被训练，而部署模型、导入庞大数量的参数也需要较高的资源支持。因此，压缩大型神经预训练语言模型一直是NLP研究中的重要问题。

为了解决这一问题，基于张量分解和参数共享的思想，本文提出了多头线性注意力（Multi-linear attention），该模型主要使用了Block-Term Tensor Decomposition（BTD）张量分解技术。研究人员在语言建模任务及神经翻译任务上进行了测试，与许多语言建模方法相比，多头线性注意力机制不仅可以大大压缩模型参数数量，而且提升了模型的性能。

论文地址：https://arxiv.org/pdf/1906.09777.pdf

Transformer的张量化

在Transformer中，多头注意力是一个很重要的机制，由于Query、Key和Value在训练中会进行多次线性变换，且每个头的注意力单独计算，因此产生了大量的冗余参数。为了更好地压缩多头注意力机制中的参数，目前主要有两个挑战：

• Transformer的自注意函数是非线性函数，难以压缩；

• 压缩后的注意力模型难以直接集成到Transformer的编码器-解码器框架中。

为了解决这些问题，研究人员提出的方法结合了低秩近似和参数共享的思想，因此实现了更高的压缩比。虽然可以重建Transformer中的自注意力机制，但他们并没有这么做，而是选择了分割三阶张量（即多线性注意力的输出），这样更利于提高实验准确率。因为与重建Transformer中的自注意力相比，这种方法能够建模一个更完整信息分布, 也就是说Transformer中的注意力输出是该三阶张量的一个边际概率。

研究者采用的压缩方法如图所示：

• 在图1（左）中，研究人员将多头注意力重建为一个单块注意力（Single-block attention），采用的Tucker分解是一种低秩分解方法。

• 在图1（右）中，为了压缩多头注意力机制中的参数，研究人员提出了一种基于Block-Term张量分解的多线性注意力机制。这种机制在多个块之间共享因子矩阵（参数共享）。

图1：模型的压缩方法：左图为使用Tucker分解构建单块注意力。右图则构建了新的注意力机制——多头线性注意力。

压缩多头自注意力

模型压缩遇到的第一个问题是压缩多头自注意力中的参数数量。为了解决这个问题，研究人员首先证明了正交基向量可以线性地表示自注意力机制。然后，通过初始化低秩的核张量，重建新的注意力表示。为了构建多头注意力机制并压缩模型，他们使用了Block-Term张量分解（BTD），这是一种CP分解和Tucker分解的结合。Q、K、V在构建每个三阶张量的时候共享，因此可以降低许多参数。

图1（左）展示了单块注意机制的结构。首先，Query、Key和Value可以映射成三个因子矩阵Q、K、V，它们由三组正交基向量组成。然后通过初始化一个可训练的三阶对角张量G来构建一个新的注意力机制（单块注意机制）。在图1（左）中，R是张量的秩，N是序列的长度，d是矩阵的维数。利用Tucker分解，可以计算出单块注意力的表达式：

集成多头线性注意力

为了将压缩后的单块注意力张量集成在Transformer中，首先，研究人员计算了每个块张量的平均值。其次，将张量分割为矩阵，然后将这些矩阵级联，作为Transformer中下一层的输入，这样就可以集成在Transformer的编码器-解码器结构中。

在图1（右）中，为了完成多头机制并压缩多组映射参数的参数，研究人员使用一组线性映射，并共享线性映射的输出。所学习的线性投影可以将Query、Key和Value映射到由基向量组成的三个矩阵。在此基础上，利用Block-Term张量分解来建立多头机制。研究人员将这个模型命名为多线性注意力，可将其表示为：

这是一个压缩模型。在对Transformer的多头注意力进行压缩后，实现了张量化的Transformer。多线性注意力可以被融合到Transformer中。

实验结果

为了检验在Transformer中对多头注意力所作调整的效果，研究人员在语言模型（LM）和神经机器翻译（NMT）两个任务中进行了实验。

语言建模

语言建模的任务是预测句子中下一个单词。研究人员采用了语言建模的标准设置——根据前一个token预测下一个token。选择了小型数据集PTB，中型数据集WikiText-103和大型数据集One-Billion。在预处理中，所有单词变为小写。新行被替换<eos>。词汇表使用的是常见的单词，未出现的单词由[UNK]来表示。模型的评估基于困惑度（PPL），即每个单词的平均对数似然。PPL越低，模型越好。

实验采用了最新的开源语言建模体系结构Transformer，并将标准的多头注意力层替换为多线性注意力层。然后，我们在PTB、WikiText-103和One-Billian单词基准数据集上测试不同的模型配置，结果如表1和表2所示。

表1：在One-Billion数据集上，模型的参数数量和其困惑度分数。Core-1表示模型使用了单核张量。而Core-2表示使用了两个块张量（block term tensor）。

表2：在PTB和WikiText-103两个数据集上，模型的参数数量和其困惑度分数。「-」表示没有该模型的表现报告。「*」表示为研究人员自己实现的模型结果。

神经机器翻译

在这个任务中，研究人员在WMT 2016英译德数据集上对Transformer模型进行了训练。在实验中，使用多头线性注意力替换了每个注意层。为了评估，使用集束搜索，限定大小为5，长度惩罚α= 0.6。结果与Transformer进行了比较，如表3所示。*表示研究人员自己实现的结果。

表3：模型参数数量和对应的BLEU分数。

你也许还想看：

感谢你关注“微软研究院AI头条”，我们期待你的留言和投稿，共建交流平台。来稿请寄：[e-mail]。