神通Transformer：深度學(xué)習(xí)領(lǐng)域的黑科技

主持人：

楊? 磊? 天津市第五中學(xué)

嘉? 賓：

邱元陽? 河南省安陽縣職業(yè)中專

劉宗凡? 廣東省四會(huì)市四會(huì)中學(xué)

金? 琦? 浙江師范大學(xué)附屬中學(xué)

倪俊杰? 浙江省桐鄉(xiāng)市鳳鳴高中

應(yīng)用沙龍

編者按：大型神經(jīng)網(wǎng)絡(luò)模型具備龐大的參數(shù)數(shù)量和計(jì)算量，被稱為大模型，可解決自然語言處理、圖像識(shí)別和語音識(shí)別等各類任務(wù)。訓(xùn)練大模型通常需要高性能計(jì)算設(shè)備和大規(guī)模數(shù)據(jù)集。由于Transformer可以處理大規(guī)模文本數(shù)據(jù)并構(gòu)建更復(fù)雜的語言模型，因此它被廣泛應(yīng)用于大模型中。本期我們將繼續(xù)介紹Transformer在深度學(xué)習(xí)領(lǐng)域中的應(yīng)用。

模型、大模型與超大模型

楊磊：隨著技術(shù)的不斷發(fā)展和迭代，越來越多的大模型和超大模型被應(yīng)用于各種領(lǐng)域，并取得了顯著的成果。那么，如何界定模型、大模型和超大模型？

劉宗凡：模型是機(jī)器學(xué)習(xí)的核心概念，是從數(shù)據(jù)中映射出規(guī)律和模式的函數(shù)，它的本質(zhì)是對(duì)現(xiàn)實(shí)世界中數(shù)據(jù)和規(guī)律的描述和抽象。機(jī)器學(xué)習(xí)是一種人工智能技術(shù)，其目的是通過計(jì)算機(jī)算法從現(xiàn)有數(shù)據(jù)中學(xué)習(xí)和發(fā)現(xiàn)應(yīng)用模式，以便預(yù)測或做出決策。在機(jī)器學(xué)習(xí)中，模型是一個(gè)重要的概念，因?yàn)槠浒缪萘藢W(xué)習(xí)和預(yù)測的核心角色。簡而言之，模型就是從給定數(shù)據(jù)的輸入中預(yù)測出對(duì)應(yīng)輸出的函數(shù)，其核心任務(wù)是利用給定的數(shù)據(jù)集訓(xùn)練模型并調(diào)節(jié)其參數(shù)，使其能夠更好地?cái)M合數(shù)據(jù)進(jìn)行預(yù)測。模型的本質(zhì)是對(duì)真實(shí)世界中的數(shù)據(jù)和規(guī)律進(jìn)行抽象和描述，對(duì)現(xiàn)實(shí)世界的復(fù)雜性進(jìn)行簡化。例如，對(duì)于一個(gè)簡單的二分類問題，模型可以是一個(gè)樣本點(diǎn)的一堆數(shù)學(xué)表達(dá)式的組合，但這些表達(dá)式背后的數(shù)學(xué)原理、公式和變量，卻是對(duì)整個(gè)問題的描述和抽象。因此，模型在機(jī)器學(xué)習(xí)中是無可替代的，其得出的結(jié)果決定了訓(xùn)練模型的準(zhǔn)確性和泛化能力。在機(jī)器學(xué)習(xí)中，模型可以是線性、非線性、簡單或復(fù)雜的。其中，最常用的模型是線性模型和隨機(jī)森林模型。線性模型是最簡單的模型之一，它利用線性方程對(duì)數(shù)據(jù)進(jìn)行建模，如單一變量、多元線性回歸等。線性模型受限于其簡潔性，需要根據(jù)實(shí)際情況加以改進(jìn)。

大規(guī)模深度神經(jīng)網(wǎng)絡(luò)模型已成為機(jī)器學(xué)習(xí)和人工智能領(lǐng)域的一個(gè)熱門話題，尤其是在處理具有挑戰(zhàn)性的問題方面，這類模型可以通過在大規(guī)模的數(shù)據(jù)集中進(jìn)行訓(xùn)練和調(diào)整來達(dá)到極高的精度。在這些模型中，大模型和超大模型是最常見的兩種，雖然兩者在參數(shù)數(shù)量和規(guī)模上存在一定的差異，但它們的作用和意義都是一樣的。

大模型通常指的是那些具有大量參數(shù)，需要大規(guī)模數(shù)據(jù)集和計(jì)算資源以進(jìn)行訓(xùn)練和調(diào)整的深度神經(jīng)網(wǎng)絡(luò)模型。這樣的網(wǎng)絡(luò)可以被用于各種任務(wù)，如語音識(shí)別、圖像識(shí)別、自然語言翻譯等。在這些任務(wù)中，網(wǎng)絡(luò)需要學(xué)習(xí)從輸入中抽取出有用的特征，并輸出相應(yīng)的結(jié)果。例如，輸入一張圖片并輸出它所代表的物體類別。對(duì)于這種模型，訓(xùn)練所需的計(jì)算資源是一個(gè)重要的限制因素。因?yàn)橛?jì)算資源越多，網(wǎng)絡(luò)就可以擁有更多的層和參數(shù)，而這些層和參數(shù)是用來捕捉輸入數(shù)據(jù)中更多的信息。由于訓(xùn)練速度的限制，大型網(wǎng)絡(luò)的訓(xùn)練可能需要花費(fèi)數(shù)天、數(shù)周乃至數(shù)月的時(shí)間。此外，大規(guī)模數(shù)據(jù)集也需要足夠多的數(shù)據(jù)以減少過度擬合的情況，如ImageNet數(shù)據(jù)集就包括了超過一千萬張圖片以及超過一千個(gè)物體類別。雖然大型神經(jīng)網(wǎng)絡(luò)的計(jì)算和訓(xùn)練需求巨大，但這樣的網(wǎng)絡(luò)結(jié)構(gòu)已經(jīng)成為許多領(lǐng)域中最先進(jìn)的解決方案，在計(jì)算機(jī)視覺和語音處理領(lǐng)域也表現(xiàn)出了很好的應(yīng)用效果。這意味著，在未來，大模型仍然會(huì)繼續(xù)發(fā)揮重要的作用，并且可能會(huì)變得更加精細(xì)和復(fù)雜。

隨著大型網(wǎng)絡(luò)在深度學(xué)習(xí)中的成功，研究者們開始考慮是否可以創(chuàng)建更大的神經(jīng)網(wǎng)絡(luò)模型以解決更加困難的問題。在這樣的情況下，超大模型便應(yīng)運(yùn)而生。超大模型擁有數(shù)萬億到數(shù)千萬億的參數(shù)，是目前計(jì)算機(jī)科學(xué)領(lǐng)域中最大的網(wǎng)絡(luò)模型之一。這種超大的神經(jīng)網(wǎng)絡(luò)模型需要大量的計(jì)算資源和訓(xùn)練數(shù)據(jù)。例如，OpenAI在訓(xùn)練超大模型GPT-3時(shí)使用了3200個(gè)V100 GPU和1750億個(gè)參數(shù)。雖然這些超大模型的訓(xùn)練成本極高，但是對(duì)于具有挑戰(zhàn)性的任務(wù)，如自然語言處理、語音合成和音樂生成等，這些模型通常要比小型的模型能夠產(chǎn)生更好的性能。

倪俊杰：超大模型有著廣泛的應(yīng)用前景。例如，在自然語言處理方面，超大模型可以通過學(xué)習(xí)大量的文本語料庫來構(gòu)建語言模型，在文本生成、文本分類和命名實(shí)體識(shí)別等任務(wù)方面表現(xiàn)出色。在圖像識(shí)別和計(jì)算機(jī)視覺領(lǐng)域，通過使用超大模型，可以更好地捕捉圖像中的細(xì)節(jié)和上下文，并減少類似于過度擬合的問題。

超大模型的發(fā)展在一定程度上受到計(jì)算資源限制。如果沒有大量的計(jì)算資源，研究者和開發(fā)者們就無法訓(xùn)練和優(yōu)化這些模型。除此之外，超大模型還面臨著缺少分類和其他領(lǐng)域的支持?jǐn)?shù)據(jù)，因此，研究者需要重新思考如何更好地挖掘這些極值模型的價(jià)值。

大模型和超大模型對(duì)未來人工智能的發(fā)展具有深遠(yuǎn)的影響。在機(jī)器學(xué)習(xí)、深度學(xué)習(xí)領(lǐng)域以及解決大型復(fù)雜問題的算法研究中，這些模型可以在數(shù)據(jù)處理和計(jì)算能力方面提高模型的表現(xiàn)并產(chǎn)生新的應(yīng)用。未來，我們可能會(huì)看到更加復(fù)雜并高效的大型和超大型模型的出現(xiàn)，這些模型將推動(dòng)人工智能領(lǐng)域的飛速發(fā)展。

谷歌的BERT和OpenAI的GPT

楊磊：BERT和GPT都是基于Transformer架構(gòu)的預(yù)訓(xùn)練模型，用于自然語言處理任務(wù)。那么從預(yù)訓(xùn)練的角度看，它們之間有什么區(qū)別呢？

邱元陽：自然語言處理是一項(xiàng)日益重要的任務(wù)，需要將人類語言轉(zhuǎn)換為計(jì)算機(jī)可處理的形式，從而使計(jì)算機(jī)能夠理解和處理文本數(shù)據(jù)。在這個(gè)領(lǐng)域中，預(yù)訓(xùn)練模型在最近幾年中引起了人們極大的興趣。其中，使用Transformer架構(gòu)的預(yù)訓(xùn)練模型（如BERT、GPT等）已經(jīng)成為自然語言處理領(lǐng)域的頂尖解決方案。

BERT（Bidirectional Encoder Representations from Transformers）是一種雙向語言模型，由Google在2018年提出。它通過預(yù)訓(xùn)練和微調(diào)的方式，可以用于文本分類、問答等任務(wù)。在預(yù)訓(xùn)練階段，BERT利用大規(guī)模無標(biāo)注數(shù)據(jù)進(jìn)行訓(xùn)練，學(xué)習(xí)到自然語言的語義和語法信息。BERT采用了雙向語言模型，即利用上下文信息來預(yù)測當(dāng)前詞語，主要方法有兩種：Masked Language Model（MLM）和Next Sentence Prediction（NSP）。MLM方法首先會(huì)在輸入文本序列中隨機(jī)選擇一定比例的詞語，并將這些被選中的詞語隨機(jī)替換成一個(gè)特殊的標(biāo)記，稱為[MASK]。其次，模型會(huì)嘗試預(yù)測這些被覆蓋的[MASK]標(biāo)記的正確詞語。預(yù)測的方式是利用模型對(duì)整個(gè)輸入序列的理解實(shí)現(xiàn)上下文感知的預(yù)測。對(duì)于預(yù)訓(xùn)練過程中提供的輸入文本序列中未被替換的詞語，模型則可以從上下文中準(zhǔn)確地學(xué)習(xí)它們的表示。而NSP方法是為了讓模型具有理解文本上下文之間關(guān)系的能力。具體來說，NSP的預(yù)訓(xùn)練任務(wù)是從一大堆文本中提供兩個(gè)句子。在這兩個(gè)句子之間隨機(jī)選取一個(gè)標(biāo)志，在輸入中把這個(gè)標(biāo)志插入第一個(gè)句子和第二個(gè)句子之間，然后將文本輸入BERT模型中，生成一個(gè)表示兩個(gè)句子連接的向量。預(yù)訓(xùn)練任務(wù)的目標(biāo)是讓模型學(xué)會(huì)理解兩個(gè)句子之間是否有聯(lián)系，并預(yù)測下一個(gè)句子是什么。采用這個(gè)方法的目的是教會(huì)模型理解和處理不同的文本任務(wù)（如問答、命名實(shí)體識(shí)別、情感分析等），因?yàn)樵S多任務(wù)都需要模型理解文本上下文之間的關(guān)系。通過訓(xùn)練模型推斷下一個(gè)句子，模型能夠在各種自然語言處理任務(wù)中更好地理解文本的含義和結(jié)構(gòu)。這兩種方法通過語言模型和推斷兩個(gè)方面來預(yù)訓(xùn)練模型，使BERT能夠理解上下文關(guān)系并將其應(yīng)用于各種自然語言處理任務(wù)中。在微調(diào)階段，BERT利用有標(biāo)注數(shù)據(jù)進(jìn)行微調(diào)，以適應(yīng)具體任務(wù)的需求，即將已經(jīng)經(jīng)過大規(guī)模預(yù)訓(xùn)練的語言模型微調(diào)到特定的自然語言處理任務(wù)上。在微調(diào)之前，首先需要在大規(guī)模的語料庫上進(jìn)行預(yù)訓(xùn)練，得到語言模型的參數(shù)。在微調(diào)時(shí)，BERT模型需要通過微調(diào)進(jìn)一步調(diào)整模型參數(shù)以適應(yīng)具體的任務(wù)，而通常只需要微調(diào)較少的參數(shù)就可以達(dá)到良好的效果。BERT的微調(diào)方式可以有效地提高模型在具體任務(wù)中的準(zhǔn)確率，尤其適用于需要理解上下文信息的任務(wù)。

GPT（Generative Pre-training Transformer）是一種單向語言模型，由OpenAI在2018年提出。它主要用于生成文本，如自動(dòng)寫作、對(duì)話生成等任務(wù)。現(xiàn)在大紅大紫的ChatGPT并不是橫空出世的變革性產(chǎn)物，它及其近親GPT-1/2/3在模型本質(zhì)上沒有重大改變。GPT的預(yù)訓(xùn)練過程只包括MLM任務(wù)，它采用了“預(yù)訓(xùn)練—微調(diào)”的訓(xùn)練方式。在預(yù)訓(xùn)練階段，GPT利用大規(guī)模無標(biāo)注數(shù)據(jù)進(jìn)行訓(xùn)練，學(xué)習(xí)到自然語言的語義和語法信息。GPT的預(yù)訓(xùn)練方法主要是基于單向語言模型，即利用上文信息來預(yù)測當(dāng)前詞語。預(yù)訓(xùn)練階段主要是學(xué)習(xí)文本的表示，使得模型在微調(diào)階段能夠更好地適應(yīng)具體任務(wù)的需求。與BERT不同，GPT通過提示詞（Prompt）的方式進(jìn)行微調(diào)，通過在一個(gè)較大的語言模型上進(jìn)行迭代訓(xùn)練，根據(jù)給定的Prompt生成相應(yīng)的輸出。Prompt是指為生成語言任務(wù)提供的一些提示，如前面一小段文本或一些關(guān)鍵詞等。GPT將Prompt的輸入與訓(xùn)練后的語言模型結(jié)合，生成與Prompt相關(guān)的輸出結(jié)果。GPT的提示詞方式使得模型在針對(duì)特定任務(wù)時(shí)能夠更好地基于一些提示信息生成相應(yīng)的文本輸出，適用于需要生成自然語言文本的任務(wù)。

無論是BERT還是GPT，它們都證明了Transformer架構(gòu)在自然語言處理領(lǐng)域的優(yōu)秀性能，并且為自然語言處理任務(wù)的解決提供了強(qiáng)大的工具。

Transformer在視覺領(lǐng)域的發(fā)展

楊磊：眾所周知，Transformer已經(jīng)在自然語言處理領(lǐng)域大放異彩，那么在視覺領(lǐng)域，如圖像分類和視頻生成等表現(xiàn)如何呢？

金琦：在視覺領(lǐng)域，Transformer模型也被應(yīng)用于圖像分類和視頻生成等任務(wù)，但是相對(duì)于自然語言處理領(lǐng)域，它的表現(xiàn)可能并不那么出色。這主要是因?yàn)門ransformer模型在自然語言處理領(lǐng)域中的優(yōu)勢在于其能夠處理序列數(shù)據(jù)，而圖像和視頻數(shù)據(jù)則是二維和三維的數(shù)據(jù)結(jié)構(gòu)，與序列數(shù)據(jù)有很大的區(qū)別。目前，已經(jīng)有一些基于Transformer的視覺模型被提出，如Vision Transformer（ViT）和Swin Transformer等。

ViT最初由Google Brain團(tuán)隊(duì)在2020年提出，它是一種基于Transformer的圖像分類模型，采用了將圖像劃分為若干個(gè)小塊，然后利用Transformer進(jìn)行編碼的方式，實(shí)現(xiàn)對(duì)整個(gè)圖像的理解，模型原理如下頁圖1所示。

使用大規(guī)模數(shù)據(jù)集對(duì)ViT進(jìn)行預(yù)訓(xùn)練，然后對(duì)小型下游任務(wù)進(jìn)行微調(diào)。為此，刪除預(yù)訓(xùn)練的預(yù)測頭，添加一個(gè)用0初始化的D*K前饋層，其中K是下游任務(wù)的類別數(shù)。對(duì)于高分辨率任務(wù)，微調(diào)通常很有幫助。ViT能夠處理任意長度的序列，但預(yù)訓(xùn)練的位置嵌入可能不再適用。因此，根據(jù)預(yù)訓(xùn)練位置嵌入在原始圖像中的位置，對(duì)它們進(jìn)行2D插值操作。需要注意的是，這種分辨率調(diào)整和塊的抽象只有在手動(dòng)注入到視覺Transformer的2D結(jié)構(gòu)的歸納偏置的情況下才有效。在中等規(guī)模數(shù)據(jù)集上，這種模型可以產(chǎn)生適中的結(jié)果，其精度比ResNets低幾個(gè)百分點(diǎn)。由于Transformer缺乏CNN固有的歸納偏置，因此，在訓(xùn)練不足的數(shù)據(jù)集上可能不能很好地泛化。然而，如果在大規(guī)模數(shù)據(jù)集上進(jìn)行訓(xùn)練，則可以獲得出色的結(jié)果。在JFT-300M數(shù)據(jù)集上預(yù)訓(xùn)練的ViT在許多圖像訓(xùn)練基準(zhǔn)上準(zhǔn)確率可以達(dá)到或超越最先進(jìn)的結(jié)果——ImageNet（88.36%）、CIFAR-10（90.50%）、CIFAR-100（94.55%）以及VTAB的19個(gè)任務(wù)（77.16%），這在一定程度上挑戰(zhàn)了傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)的地位。

邱元陽：隨著ViT的提出，越來越多的研究者開始關(guān)注基于Transformer的視覺模型。雖然ViT在圖像分類領(lǐng)域表現(xiàn)出色，但由于其編碼器輸入固定為16×16的圖像塊，因此無法適用于需要更細(xì)致視覺細(xì)節(jié)的密集視覺任務(wù)，如目標(biāo)檢測和語義分割。這些任務(wù)的圖像通常比圖像分類數(shù)據(jù)集中的圖像更大，使用較小的圖像塊將增加自注意力層必須處理的塊數(shù)，導(dǎo)致注意力機(jī)制計(jì)算復(fù)雜度隨著圖像塊數(shù)量的增加而增加。在2021年，微軟發(fā)布了一款新的視覺Transformer，稱之為Swin Transformer。它可用作計(jì)算機(jī)視覺任務(wù)（如圖像分類、物體檢測和語義分割）的骨干。Swin代表著Shifted windows，為Transformer提供了分層視覺，使用4×4的塊大小在高分辨率圖像上表現(xiàn)更為優(yōu)秀，因?yàn)閂iT的全局注意力方法不適合進(jìn)行語義分割。因此，我們需要更細(xì)致的像素級(jí)預(yù)測，同時(shí)需要考慮注意機(jī)制的計(jì)算復(fù)雜度的改進(jìn)和優(yōu)化方法，Swin Transformer采用了分層的策略，將圖像分為多個(gè)子區(qū)域進(jìn)行編碼，從而實(shí)現(xiàn)對(duì)全局信息的建模，并采用了窗口交換策略，將相鄰子區(qū)域之間的信息進(jìn)行交換，從而實(shí)現(xiàn)了不同子區(qū)域之間的信息交互，具有更好的信息傳遞能力。Swin Transformer通過從小的patch開始逐漸合并深層Transformer層中的相鄰patch來構(gòu)建分層特征映射。例如，Swin Transformer從不重疊的16（4×4）個(gè)本地窗口開始（圖2（a）中底部的紅色正方形），每個(gè)本地窗口都有16（4×4）個(gè)圖像patch。隨著自注意力層在每個(gè)本地窗口內(nèi)計(jì)算，它們只處理16個(gè)圖像patch之間的關(guān)系。與此相反，ViT的注意力層適用于整個(gè)圖像patch（如圖2（b））。如果它使用相同的較小的patch尺寸，則注意力層需要處理256個(gè)patch。由于ViT是一個(gè)圖像分類模型，因此使用較大的patch（粗略特征）是可以的。然而，Swin Transformer需要細(xì)粗特征。在層次結(jié)構(gòu)的下一級(jí)中，Swin Transformer合并相鄰patch以形成4（2×2）個(gè)本地窗口，同樣，自注意力層在每個(gè)本地窗口內(nèi)計(jì)算。因此，這些層只處理16個(gè)特征patch。換句話說，在任何級(jí)別上，每個(gè)窗口中的patch數(shù)量都是相同的。最終，一個(gè)本地窗口覆蓋整個(gè)圖像，并包含16個(gè)特征patch。因此，計(jì)算復(fù)雜度與輸入圖像大小成線性關(guān)系。下面以4×4的patch尺寸處理各種圖像大小來說明這一點(diǎn)。合并相鄰patch會(huì)減小圖像大小，同時(shí)增加每個(gè)patch的感受野，就像ResNet的卷積和最大池層減小特征映射大小，同時(shí)增加感受野一樣。

與自然語言領(lǐng)域的發(fā)展相比較，Transformer在視覺領(lǐng)域的發(fā)展還處于起步階段，但已經(jīng)展現(xiàn)出了不少有趣的應(yīng)用，前景十分樂觀。隨著深度學(xué)習(xí)技術(shù)的不斷發(fā)展，這種模型將有更廣泛的應(yīng)用，也許未來可以更好地發(fā)揮這種模型的潛力。

結(jié)語

楊磊：Transformer和大模型技術(shù)的不斷發(fā)展，在給我們帶來便利的同時(shí)，也增加了我們學(xué)習(xí)人工智能的難度。因此，我們只有不斷地學(xué)習(xí)、實(shí)踐和創(chuàng)新，才能更好地掌握這些技術(shù)，應(yīng)對(duì)人工智能領(lǐng)域的變化和挑戰(zhàn)，發(fā)揮潛力和創(chuàng)造力，創(chuàng)造更多的價(jià)值。希望本期討論可以讓讀者了解Transformer在深度學(xué)習(xí)領(lǐng)域的應(yīng)用，以更好地應(yīng)對(duì)大模型時(shí)代的機(jī)遇和挑戰(zhàn)。