Transformer [Kor]
Ashish Vaswani, Noam Shazeer, Niki Parmar, Jakob Uszkoreit, Llion Jones, Aidan N. Gomez, Lukasz Kaiser, Illia Polosukhin / PAttention Is All You Need/ NeurIPS
Last updated
Ashish Vaswani, Noam Shazeer, Niki Parmar, Jakob Uszkoreit, Llion Jones, Aidan N. Gomez, Lukasz Kaiser, Illia Polosukhin / PAttention Is All You Need/ NeurIPS
Last updated
Long-term dependency
이전까지 Sequence data를 처리하기 위해서는 Recurrent Model을 이용해 outputt 을 위해 inputt 와 hiddent-1 를 사용한다.
이런 특징 때문에 Sequence의 거리가 멀게 되면 그 정보를 이용하지 못하게 되는 long-term dependency 문제가 존재한다. (vanishing gradient)
Recurrent Model에서 factorization trick과 conditinoal computation은 성능 향상을 이루었으나 여전히 순서대로 학습해야 한다는 한계점을 지닌다.
x1, ... , xn 을 input sequence, y1, ... , yn 을 output sequence, (h1, h2, ... , hn) 을 입력 시퀀스 hidden vector라고 합시다. Decoder의 i 번째 hidden state를 si 라 하면, 다음과 같이 계산 된다.
si-1 : i-1번째 hidden state. yi-1 : i-1번째 output word. ci : decoder의 time step i와 연관된 문맥 벡터. ci 는 i 번째 decoding time step과 관련된 정보를 갖고 있다.
각 hidden vector hj 에 대해서 j th input과 i th output의 관계를 ei,j 라 하면,
a : 실수상의 함수
모든 hj 에 대해 계산해 얻은 ei,1, ... , ei,n 에 대해 softmax 레이어를 통해 정규화 해주면 가 되고 이를 attention vector라 부른다. 이를 이용해 ci 를 다음 수식으로 계산할 수 있다.
기존에 LSTM의 연산 시간을 단축 시키기 위해서 첫 번째 방법인 인수 분해 LSTM(F-LSTM)은 두 개의 작은 행렬의 곱을 사용하여 큰 LSTM 행렬을 근사화한다. 두 번째 방법인 그룹 LSTM(G-LSTM)은 LSTM 셀을 독립적인 그룹으로 분할한다.
Oleksii Kuchaiev and Boris Ginsburg. Factorization tricks for LSTM networks. arXiv preprint arXiv:1703.10722, 2017.
연산을 증가시키지 않고 모델 용량을 크게 늘리는 방법.
Noam Shazeer, Azalia Mirhoseini, Krzysztof Maziarz, Andy Davis, Quoc Le, Geoffrey Hinton, and Jeff Dean. Outrageously large neural networks: The sparsely-gated mixture-of-experts layer. arXiv preprint arXiv:1701.06538, 2017.
Recurrence 대신 Transformer는 Attention mechansim을 사용해 input과 output의 dependency를 찾아낸다.
순서대로 학습해야 하는 Recurrent Model 대신 Transfomer에서는 Encoder에서는 각각의 Position에 대해 Attention을 해주기만 하고, Decoder에서는 Masking을 이용해 Parallel로 처리 가능하게 된다.
Encoder : 인코더는 N=6개의 레이어로 이루어지고, 각 레이어는 2개의 Sub-layer를 가진다. 첫 번째 sub-layer는 multi-head self-attention 매커니즘, 두 번째는 position-wise fully connected feed-forward network이다. 각 두개의 서브레이어 뒤에는 residual connection과 layer normalization을 추가한다.
Decoder : 디코더도 마찬가지로 N=6 개의 레이어로 이루어져있다. 인코더와 동일한 2개의 Sub-layer와 추가로 세 번째 Sub-layer를 갖는다. 인코더와 마찬가지로 각 Sub-layer의 output에 residual connection과 layer normalizeation이 추가 된다. self-attention Sub-layer에는 position i 에 대한 예측이 i 이전에 이미 계산된 출력값에 만 의존하도록 마스킹을 통해 변형했다.
어텐션은 input을 쿼리, Key-Value 쌍으로 부터 output을 내는 함수다. 각 input과 output은 vector들이고, 출력값은 value의 weight-sum인데, weight는 쿼리와 키의 compatibility로 계산된다.
Q : 쿼리 , K : 키 , V :밸류 , dk : key와 쿼리의 dimension
softmax이후의 값을 value에 곱해준다면, 쿼리와 유사한 값일 수록 더 높은 값을 가지게 된다. 중요한 정보에 더 관심을 둔다는 말에 맞게 된다.
Multi-head attentino은 서로 다른 위치에서 정보를 얻을 수 있으며, 하나의 Attention head를 가졌을 때는, 마지막에 평균을 취해주어 해결한다.
Transformer는 multi-head attention을 3가지 방법으로 사용한다.
encoder
encoder는 self-attetion 레이어를 포함한다.
self-attention 레이어에서 key, value, query는 모두 encoder의 이전 레이어에서 온다.
encoder의 각 지점은 이전 레이어의 모든 정보를 참고할 수 있게 된다.
decoder
decoder는 self-attetion 레이어를 포함한다.
encoder-decoder-attention
query는 decoder에서의 값을 보고 output을 추측하는 역할이기에 decoder에서 온다.
key, value는 encoder의 output에서 온다.
이러한 구조로 decoder의 모든 position에서 encoder ouptut의 모든position에 attention을 줄 수 있게 된다.
Sub-layer에서 존재했던 layer는 attention Sub-layer 말고도 position-wise fully connected feed-forward network가 존재한다.
position마다 적용되기 때문에 position-wise이고, x 에 Linear Trasformation을 적용하고 ReLU(max(0, z)) 를 적용한 후에 한번더 Linear Transformation을 적용한다. Kernel size가 1이고 channel이 layer인 두 개의 conv으로도 생각 할 수 있다.
현재의 Model은 Recurrence이나 Convolution을 포함 하고 있지 않기 때문에 Sequence임을 이용하기 위해서는 position 정보가 추가로 필요하다. 이를 위해서 encoder와 decoder의 input embedding에 positional encoding을 추가해 준다. positional encoding은 embedding vector와 같은 dmodel dimension을 가지고, 이 논문에서는 frequency를 가지는 sin, cos함수를 활용했다.
pos 는 Sequnece에서 토큰의 위치, i는 차원이다.
k=2i+1 일때는 cosine 함수를 k=2i일때는 sine함수를 이용해 같은 column이여도 pos가 다르면 다른 값을 가지게 된다.
이러한 성질 때문에 model이 relative position에 의해 attention을 하는 것을 더 쉽게 training할 수 있다.
WMT 2014 English-German dataset
450만개의 문장 pair
byte-pair 인코딩
37000 토큰
WMT 2014 English-French dataset
3600만개의 문장 pair
word-piece
32000 토큰
문장 pair은 대략적인 sequence 길이로 배치화했다. 각 training batch에는 25000개의 source token과 25000 target token을 포함하는 문장 pair을 갖고있다.
8개의 NVIDIA P100 GPU
base model = (step time) 0.4sec * 100,000 steps = 12hours
big model = (step time) 1.0sec * 300,000 steps = 3.5 days
Residual Dropout Pdrop =0.3
Sub-layer의 output이 더해지고 Normalization 이전에 dropout 적용.
encoder, decoder stack에서 임베딩과 positional encoding이 더해진 결과에 dropout 적용.
WMT 2014 English-to-German 번역 Task에서 Transformer(Big) Model은 이전에 가장 높은 점수를 낸 ConvS2S Ensemble 보다 2.0 더 높게 28.4 BLEU를 받았다. Base 몬델에서도 더 적은 cost로 모든 모델보다 향상되었다.
WMT 2014 English-to-Franch 번역 Task에서는 다른 모델보다 더 적은 Training Cost로 상위의 BLEU를 받았다.
10분단위로 checkpoint를 저장하여 Base 모델은 5개의 checkpoint을 평균내 사용하고, Big 모델은 20개의 checkpoint의 평균을 사용했다.
Trnasformer Model에서 가지는 요소들의 중요성을 평가하기 위해 Base 모델을 바꿔가며 성능을 측정했다.
(A)는 연산 수는 그대로 두고 어텐션 헤드의 개수와 어텐션 Key, Value의 Dimesion을 바꾸어 가며 실험한 결과이다. single head attention의 성능은 최대 점수보다 떨어지고 head의 수가 너무 많아져도 performance가 떨어진다.
(B)는 Attention Key의 Dimension이 감소할 때 모델의 성능이 낮아진다. 이로부터 적합성을 판단하는데 내적보다 더 좋은 방법이 있을 수 있다는 추측을 했다.
(C), (D)에서 더 큰 모델이 나으며 drop out이 overfitting을 잘 막아주었다.
(E)에서는 Positional Encoding의 sin, cos 함수를 학습된 Positional embedding으로 바꾸어 주어도 성능 차이가 없었다.
Transformer를 일반화해 다른 Task에도 적용할 수 있는지 보기 위해 Englsh Constituency Parsing을 진행했다. Output은 강한 구조적 제약을 따라야하고 input보다 길어야해 어렵다. RNN sequence-tosequence Modle은 small data에서 SOTA의 결과를 못 냈다.
Penn Treebank에서 Wall Street Journal (WSJ)에 해당하는 40K의 문장을 가지고 dmodel=1024, 4-layer transformer를 학습시켰다(16K token). 17M개의 high-confidnece dataset과 BerkleyParser을 가지고 semi-supervised 학습도 진행했다(32K token). 튜닝하는 과정이 부족했어도 Model의 performance가 높음을 확인 할 수 있었다.
Attention만을 이용한 첫 번째 sequence transduction model인 Transformer를 소개했다. 기존에 흔히 쓰이던 Recurrent Layer를 활용한 Encoder-Decoder 구조를 대체 가능 할 것으로 보인다.
번역 Task에서 Recurrent나 Convolution 구조보다 더 빠르게 학습 할 수 있었고, SOTA또한 달성했다.
구조적인 문제 때문에 생기는 단점을 보완하는 것 보다 구조적인 문제를 없애는 방법이 나을 수 있다.
김현 (Kim Hyun)
KAIST ISysE
hyun970408@kaist.ac.kr
Korean name (English name): Affiliation / Contact information
Korean name (English name): Affiliation / Contact information
...
https://arxiv.org/pdf/1706.03762.pdf
Sepp Hochreiter and Jürgen Schmidhuber. Long short-term memory. Neural computation, 9(8):1735–1780, 1997.
Oleksii Kuchaiev and Boris Ginsburg. Factorization tricks for LSTM networks. arXiv preprint arXiv:1703.10722, 2017.
Noam Shazeer, Azalia Mirhoseini, Krzysztof Maziarz, Andy Davis, Quoc Le, Geoffrey Hinton, and Jeff Dean. Outrageously large neural networks: The sparsely-gated mixture-of-experts layer. arXiv preprint arXiv:1701.06538, 2017.
쿼리와 모든 키의 내적값에 각각을 로 나눈 후 softmax를 적용한 것이 Scaled Dot-Product Attention이다. 가장 보편적으로 쓰이는 어텐션 함수로는 additive attention과 dot-product(multiplicative) attention이 있다. dot-products의 값이 커질수록 softmax 함수에서의 기울기의 변화가 거의 없는 부분으로 가기 때문에 Scaled Dot-Product Attention은 dot-product에 를 곱해 Scaling을 해준다.
decoder의 auto-regressive한 성질을 유지하기 위해, i th postion의 attention을 얻을 때 i th 이후의 모든 position은 softmax의 input 값을 로 마스킹해 제한하였다.
라 하면, PE는 다음과 같이 정리 할 수 있다.
Adam optimizer을 사용했다. ()
Label smoothing $$
