0
雷锋网AI科技评论按：6月19日，谷歌发布了T2T（Tensor2Tensor）深度学习开源系统，这个系统的一大优点是模块化，这也就意味着系统更加灵活，适应性更强。深度学习的研究进度也会因此而加速。以下内容为雷锋网整理编辑。
深度学习（DL）让很多技术领域都得以迅速发展，比如机器翻译，语音识别，以及物体检测。在研究社区，人们可以找到研究作者开源的代码，复制他们的结果，帮助自己做进一步深度学习研究。然而，大多数深度学习系统使用了需要耗费大量工程开发的特殊设置，可能只对特定的问题或结构起作用。这使得在新实验中运行以及进行实验结果对比变得比较困难。
可喜的是，谷歌终于找到了解决这一问题的办法，发布了T2T（Tensor2Tensor），一个用于在TensorFlow上训练深度学习模型的开源系统。T2T方便了对各种各样的机器学习应用的模型进行创新，比如翻译，句法分析，图像说明等等。这次发布也包含数据集库和模型库，包括最近几篇论文中提到的最好模型。
在标准WMT英语-德语翻译任务中，各模型的BLEU分数（越高越好）
作为举例，谷歌将T2T库用于机器翻译。如上表所示，两种不同T2T模型，SliceNet和Transformer，性能表现胜过之前业界表现最好的模型GNMT+MoE。其中最好的T2T模型Transformer，高出GNMT模型3.8分。而GNMT本身已经高出MOSES 4分（以短语翻译系统MOSES为最低标准）。值得注意的是，使用单块GPU在一天内训练就可以达到之前最好的结果，一个小型的Transformer模型在单GPU训练一天后可以得分24.9（上图表格并没有显示）。可见使用T2T效果非常明显。现在所有人都可以自己用一块GPU来训练这个翻译模型了。Github有操作说明。（地址见文末）
T2T库是用人们熟悉的TensorFlow工具和深度学习系统中所需的定义多个组件：如数据集，模型结构，算法，学习速率衰减方案，超参数等等开发出来的。关键是，它在所有这些组件之间执行了一个标准接口，实现了当前机器学习的最佳效果。所以你可以拿走任何一个数据集，模型，算法，或一组超参数，来执行训练并观察它的性能表现。通过使架构模块化，输入数据和预测输出之间的每一部分都是T2T函数。这意味着如果对模型架构有了新的想法，则不需要替换整个设置。你可以保留需要嵌入的部分，损失函数和其他所有部分。
这就意味着T2T很灵活，训练不再依赖于特定的模型或数据集。甚至连比较有名的LSTM序列模型都可以用几十行代码来定义。此外还可以对不同领域的多个任务进行单个模型的训练。甚至还可以在所有数据集上同时运行单个模型。MultiModel就可以这样训练并包含在T2T中，在很多任务上都产生了良好的效果。即使在ImageNet（图像分类）MS COCO（图像说明）WSJ（语音识别）WMT（翻译）以及Penn Treebank（解析语料库）联合训练也依然表现良好。这也是第一次证明了单个模型可以同时执行多个任务。
这次的首次发布也提供了脚本，用来生成大量数据集，广泛用于研究社区，一些模型和大量超参数配置。trade的其他重要技巧在执行中表现良好。把他们全部列出来很难，如果你决定用T2T运行你的模型，你将得到序列的正确填充（padding）和相应的交叉熵损失，调试良好的Adam优化器参数，自适应批处理，同步的分布式训练，调试良好的图像数据增强，标签平滑和大量的超参数配置。
例如，考虑把英语句子解析成语法选区树（grammatical constituency trees）的任务。这个问题已经研究了几十年才找到可靠的方法。它可以表示为一个序列到序列的问题，可以用神经网络求解，但是在过去需要调试很多次。现在运用T2T，只需要几天就可以添加解析数据集生成器，并且调节注意力转化器模型来训练解决这个问题。令人兴奋的是，只用了一周的时间就得到了非常好的结果。
在WSJ 23节的标准数据集上解析F1分数。只在Penn Treebank WSJ训练集上比较了文本中经过特殊训练过的模型。更多结果详见论文（https://arxiv.org/abs/1706.03762）
除了探索现有的模型和数据集，还可以轻松地定义自己的模型，并添加自己的数据集到T2T。谷歌相信已有的模型将很好的执行诸多NLP任务，所以只需添加你的数据集，也许就会得到一个有趣的结果。通过构建T2T模块，还可以很容易构建你自己的模型，并观察其如何执行不同任务。通过这样的方式，整个社区都可以从基线库（library of baselines）中受益，并加速深度学习研究。所以，来Github库，尝试一些新模型，来为T2T做点贡献吧！
提及表格内模型的三篇论文（雷锋网此前也做过覆盖与报道）：
Depthwise Separable Convolutions for Neural Machine Translation
Github操作说明：https://github.com/tensorflow/tensor2tensor
via Google；雷锋网整理编译
雷峰网版权文章，未经授权禁止转载。详情见转载须知。
