本文经AI新媒体量子位(公众号ID:QbitAI)授权转载,转载请联系出处。
谷歌研究科学家 David Ha:Transformer 是新的 LSTM。
2017 年 6 月谷歌发布论文《Attention is All You Need》时,我们或许都没有意识到它提出的 Transformer 架构将带来多少惊喜。
在诞生至今不足四年的时间里,Transformer 不仅成为自然语言处理领域的主流模型(基于 Transformer 的预训练语言模型成为主流),还开始了向其他领域的跨界,近几个月来出现了大量将 Transformer 应用于计算机视觉领域的研究。
2020 年 10 月,谷歌提出了Vision Transformer (ViT),可以直接利用 transformer 对图像进行分类,而不需要卷积网络。ViT 模型取得了与当前最优卷积网络相媲美的结果,但其训练所需的计算资源大大减少。
2020 年 12 月,复旦、牛津、腾讯等机构的研究者提出了 SEgmentation TRansformer(SETR),将语义分割视为序列到序列的预测任务,该模型在 ADE20K 上排名第一,性能优于 OCNet、GCNet 等网络。
2021 年 1 月初,OpenAI 又连放大招,用 DALL·E 和 CLIP 打破了自然语言与视觉的次元壁。两个模型都利用 Transformer 达到了很好的效果,前者可以基于本文直接生成图像,后者则能完成图像与文本类别的匹配。
由此,「Transformer 是万能的吗?」成为了近期机器学习社区的热门话题。谷歌大脑研究员 David Ha 发推表示:Transformer 是新的 LSTM。
他否定了自己在 2017 年 5 月发表的言论:「LSTM 就像神经网络中的 AK47。不管我们多么努力地想用新事物取代它,都是白费力气。从现在起它还将应用 50 年。」LSTM 由 Sepp Hochreiter 和 Jürgen Schmidhuber 于 1997 年联合提出,当时已诞生 20 年。
David Ha 不会想到,这句预言被一个月后出现的 Transformer 打破,而这仅用了 4 年时间。
著名机器学习资源网站 Papers with Code 在 1 月 20 日发布的 Newsletter 中列举了近期应用 Transformer 的十大新任务:
图像合成
论文:Taming Transformers for High-Resolution Image Synthesis
链接:https://arxiv.org/pdf/2012.09841v1.pdf
多目标追踪
论文:TransTrack: Multiple-Object Tracking with Transformer
链接:https://arxiv.org/pdf/2012.15460v1.pdf
音乐生成
论文:Compound Word Transformer: Learning to Compose Full-Song Music over Dynamic Directed Hypergraphs
链接:https://arxiv.org/pdf/2101.02402v1.pdf
舞蹈生成
论文:Dance Revolution: Long-Term Dance Generation with Music via Curriculum Learning
链接:https://arxiv.org/pdf/2006.06119v5.pdf
3D 目标检测
论文:Self-Attention Based Context-Aware 3D Object Detection
链接:https://arxiv.org/pdf/2101.02672v1.pdf
点云处理
论文:PCT: Point Cloud Transformer
链接:https://arxiv.org/pdf/2012.09688v1.pdf
时序预测
论文:Temporal Fusion Transformers for Interpretable Multi-horizon Time Series Forecasting
链接:https://arxiv.org/pdf/1912.09363v3.pdf
视觉 – 语言建模
论文:VinVL: Making Visual Representations Matter in Vision-Language Models
链接:https://arxiv.org/pdf/2101.00529v1.pdf
车道形状预测
论文:End-to-end Lane Shape Prediction with Transformers
链接:https://arxiv.org/pdf/2011.04233v2.pdf
端到端目标检测
论文:Deformable DETR: Deformable Transformers for End-to-End Object Detection
链接:https://arxiv.org/pdf/2010.04159v2.pdf
而除了 David Ha 以外,另一位研究者英伟达研究科学家、前 OpenAI 研究科学家 Ankur Handa 也表示「Transformers are all you need」:
… is All You Need?
Transformer 引领了不止一种潮流。
在其论文《Attention is All You Need》发表后,各种「** is All You Need」论文纷纷出现。就连 LSTM 提出者 Sepp Hochreiter 也写过一篇《Hopfield Networks is All You Need》。有趣的是,这篇论文正是对 Transformer 核心注意力机制新颖性的驳斥:Transformer 中的注意力机制等价于 Hopfield 网络中的更新规则。
Transformer 的强大主要归功于其中的注意力机制。注意力机制在 NLP 领域的应用最早可以追溯到 2014 年 Bengio 团队将其引入神经机器翻译任务,但那时模型的核心架构还是 RNN。相比之下,Transformer 完全抛弃了传统的 CNN 和 RNN,整个网络结构完全由注意力机制组成,这种改变所带来的效果提升也是颠覆性的。
然而,Sepp Hochreiter 等人在 2020 年 7 月发表的论文《Hopfield Networks is All You Need》中表示,Transformer 中的注意力机制其实等价于扩展到连续状态的 modern Hopfield 网络中的更新规则。
Sepp 这篇论文发表时,Transformer 的跨界之旅已经开始。2020 年 5 月,Facebook AI 推出了 首个将 Transformer 成功整合为检测 pipeline 中心构建块的目标检测框架——Detection Transformer(DETR),用于目标检测和全景分割。6 月,OpenAI 将基于 Transformer 的模型GPT-2 应用到图像领域,用于图像分类任务。
半年过去,越来越多的工作开始探索如何将 Transformer 应用于计算机视觉等其他领域,最近更是出现了「Transformers are all you need」、「Transformers are the new LSTMs」的说法。
Transformer 是新的 LSTM 吗?
1997 年,Sepp Hochreiter 与 Jürgen Schmidhuber 联合发表了长短期记忆网络(LSTM)论文,被认为是机器学习发展史上的一座里程碑。
LSTM 是一种特殊的循环神经网络(RNN)。Sepp Hochreiter 在 1991 年分析了随时间反向传播(BPTT)带来的梯度爆炸和梯度消失问题;1997 年,Sepp Hochreiter 与 Jürgen Schmidhuber 在 LSTM 论文中引入 CEC 单元解决 BPTT 带来的梯度爆炸和消失问题。之后又有许多研究者对其进行了改进和普及。
LSTM 单元的基本结构(图源:https://en.wikipedia.org/wiki/Long_short-term_memory)
2020 年 2 月,LSTM 提出者 Jürgen Schmidhuber 撰文综述了 LSTM 的十年发展史,介绍了它在机器翻译、语音识别、机器人学、时序预测、聊天机器人等多个领域的应用。
而 Transformer 诞生伊始就完全舍弃了 RNN,在 LSTM 占优势的 NLP 领域逐渐站稳脚跟。现在,许多研究又将它应用于时序预测、音乐生成、图像分类等跨界任务中。在 Papers with Code 最近发布的 Transformer 应用十大新任务中,过去都有着 LSTM 的活跃身影。
Transformer 是新的 LSTM 吗?从模型应用领域的多样性来看,这似乎已见雏形。
不知道如果现在发表「Transformer 无法被替代,还可以再用 50 年」的预言,多久之后会被打破。
作者:魔王_机器之心Pro
原文链接:https://www.toutiao.com/i6921917717704475140/