0
雷锋网AI科技评论消息，谷歌最近与多伦多大学等高校合作发表论文，提出了一种新的网络框架——Transformer。Transformer是完全基于注意力机制（attention mechanism)的网络框架，放弃了RNN和CNN模型。
众所周知，在编码-解码框架中，主流的序列传导模型都是基于RNN或者CNN的，其中能完美连接编码器和解码器的是注意力机制。而谷歌提出的这一新框架Transformer，则是完全基于注意力机制的。
Transformer用于执行翻译任务，实验表明，这一模型表现极好，可并行化，并且大大减少训练时间。Transformer在WMT 2014英德翻译任务上实现了28.4 BLEU，改善了现有的最佳成绩（包括超过2个BLEU的集合模型），在WMT 2014英法翻译任务中，建立了一个新的单一模式，在八个GPU上训练了3.5天后，最好的BLEU得分为41.0，这在训练成本最小的情况下达到了最佳性能。由Transformer泛化的模型成功应用于其他任务，例如在大量数据集和有限数据集中训练英语成分句法解析的任务。
注意力机制是序列模型和传导模型的结合，在不考虑输入输出序列距离的前提下允许模型相互依赖，有时（但是很少的情况），注意力机制会和RNN结合。
模型结构如下：
编码器：编码器有6个完全的层堆栈而成，每一层都有两个子层。第一个子层是多头的self-attention机制，第二层是一层简单的前馈网络全连接层。在每一层子层都有residual和归一化。
解码器：解码器也是有6个完全相同的层堆栈而成，每一层有三个子层，在编码栈的输出处作为多头的attention机制。
注意（attention）：功能是将Query和一组键-值对映射到输出，那么包括query、键、值及输出就都成为了向量。输出是值的权重加和，而权重则是由值对应的query和键计算而得。
source：arxiv
雷锋网了解到，谷歌这一模型在众多翻译任务中都取得了最佳成绩，其泛化模型也在其他识别任务中表现优异。谷歌对这一基于注意力机制的Transformer表示乐观，研究人员很高兴看到模型在其他任务中表现良好，谷歌计划研究Transformer的更广泛应用——其他形式的输入输出，包括图像、音频及视频等。
原文链接：https://arxiv.org/abs/1706.03762，雷锋网编译
附谷歌之前的翻译框架进化史：
一）基于短语的机器翻译。
2006 年Google团队改进了——统计机器翻译(statistical machine translation)，并宣布上线Google Translate翻译功能。当时的核心技术 “统计机器翻译”的基本思想是通过对大量平行语料进行统计分析、构建统计翻译模型、进而使用此模型进行翻译。简单来说，你可以认为这个翻译系统是基于短语翻译的。
二）用于自动翻译的端到端的学习方法。
谷歌2016年9月29日前后正式发布第一代神经翻译系统。当时谷歌在 ArXiv.org 上发表论文《Google`s Neural Machine Translation System: Bridging the Gap between Human and Machine Translation》介绍谷歌的神经机器翻译系统（GNMT），相对于十年前发布的 Google Translate（谷歌翻译），当时其服务背后的核心算法是基于短语的机器翻译。神经机器翻译（NMT: Neural Machine Translation）是一种用于自动翻译的端到端的学习方法，该方法有望克服传统的基于短语的翻译系统的缺点。
当时外界对这个神经翻译系统的褒贬不一，比较综合的评价是：在同等语料的情况下，相较于基于短语的统计机器翻译，神经机器翻译（GNMT）系统能在更少工程量的基础上实现相同的效果。但是其纯粹把输入的句子当做一个序列（理论上任意符号序列都可以），不考虑这个句子本身作为语言的特性，生成的内容可能会比较奇怪，难以控制，错误的结果也难以解释。
三）完全基于注意力机制（attention mechanism)的网络框架。
谷歌翻译新的网络框架——Transformer是完全基于注意力机制（attention mechanism)的网络框架，如上文所说，注意力机制是序列模型和传导模型的结合，在不考虑输入输出序列距离的前提下允许模型相互依赖，相比去年9月分公布的谷歌的神经机器翻译系统（GNMT），这里的传导模型的加入极有可能是这次系统升级的关键，
雷峰网版权文章，未经授权禁止转载。详情见转载须知。
