【NLP】TransformerXL：因为XL，所以更牛
前面介绍过Transformer作为一种特征抽取器的强大之处。那么，它有没有弱点呢？能不能改进呢？
本文介绍Transformer的改进版，TransformerXL。看看它用了什么方法，改进了Transformer的哪些弱点。
作者&编辑 | 小Dream哥
1 原始Transformer哪里不好？
在上一篇“理解NLP中网红特征抽取器Transformer”中，笔者介绍了Transformer的强大之处。那么，Transformer就已经强大到无懈可击了吗？其实不然，Transformer还有它的弱点。
细想一下，BERT在应用Transformer时，有一个参数sequence length，也就是BERT在训练和预测时，每次接受的输入是固定长度的。那么，怎么输入语料进行训练时最理想的呢？当然是将一个完整的段落一次性输入，进行特征提取了。但是现实是残酷的，这么大的Transformer，内存是消耗不起的。所以现有的做法是，对段落按照segment进行分隔。在训练时，当输入segment序列比sequence length短时，就做padding；当输入segment序列比sequence length长时就做切割。
这种做法显然是一种权宜之计，它有这么两个缺点：
1）长句子切割必然会造成语义的残破，不利于模型的训练。
2）segment的切割没有考虑语义，也就是模型在训练当前segment时拿不到前面时刻segment的信息，造成了语义的分隔。
那么，该如何解决上述问题呢？看看TransformerXL吧。
2 TransformerXL的引入
我们先想一下，如果要我们自己来解决Transformer上面的问题，会怎么处理呢？
熟悉NLP的同学，可能会想到RNN。在RNN中，为了获取序列中的历史记忆，采用了Recurrence机制，在计算该时刻的状态时，引入前一时刻的状态作为输入。那对Transformer来说，在计算当前序列的隐藏状态时，引入前一个序列的隐藏状态信息不就可以解决上面的问题了吗？
事情真的有这么简单吗？其实，基本上也就是这么简单，不过TransformerXL在引入时做了一些巧妙的设计。下面我们看看，TransformerXL是如何引入这种Recurrence机制来解决上述问题的。
如图所示，是传统的Transformer在训练和评估阶段采用的语料输入策略。在训练时，将整个语料库分割成可管理的大小的更短的片段，在每个片段中训练模型，忽略来自前一段的所有上下文信息；在评估阶段，传统的Transformer模型在每个步骤都消耗与训练期间相同长度的一个segment。然后，在下一步中，这个segment向右移动一个位置，并从头开始处理，只在最后一个位置进行一次预测。
如上图所示，在TransformerXL采用了不同的策略，在训练过程中，对上一个segment计算的隐藏状态序列进行固定和缓存，并在模型处理下一个新的segment时对其进行利用。在评估阶段，可以重用前面部分的表示，而不是像传统模型那样从头开始计算，这样可以提高速度。
3 TransformerXL Recurrence机制
那么，上述的机制细节如何实现的呢？下面我们来做一个详细的介绍。
事实上，问题的关键在于，在计算当前序列当前层的隐藏状态时，如何引入前一个序列上一层的隐藏状态。TransformerXL的做法很简单，就是按照序列长度的维度将他们concate起来。如下的公式所示：
h_n_t是一个L*d的矩阵，表示的是第t个输入序列的第n层的隐藏层的状态。L表示序列长度，d表示嵌入维度。
SG表示的Stop Gradient，这非常重要，避免了RNN会出现的一系列问题。
从上述公式可以看出，TransformerXL与传统的Transformer的差异主要在于隐藏层输入K和V的差异。TransformerXL中引入了上一个序列前一个隐藏层的值，将他们concatenate起来，计算新的K和V。
4 Relative Positional Encodings
我们再想一想，引入上述机制，还有什么问题没有。我们回想一下，在传统的Transformer中，输入序列中的位置信息是怎么表示的？通过POS函数生成，它是位置i和维度d的函数，也就是不同输入segment在相同绝对位置中的位置表示是相同的。在传统的Transformer中，每个segment之间的表示是没有关联的，这当然就没有问题。但是在TransformerXL中，因为引入了前一时刻segment的信息，就需要对不同时刻，同样是第i个的词进行区分。
TransformerXL引入了一种Relative Positional Encodings机制，会根据词之间的相对距离而非像传统的Transformer中的绝对位置进行编码。
在传统的Transformer中，计算q_i和键k_j之间的attention分数的方式为
展开就是：
Exi是词i的embedding，Exj是词j的embedding，Ui 和Uj 是位置向量。
在Transformer-XL中，对上述的attention计算方式进行了变换，转为相对位置的计算，而且不仅仅在第一层这么计算，在每一层都是这样计算。
对比来看，主要有三点变化：
1）在b和d这两项中，将所有绝对位置向量Ui，Uj都转为相对位置向量Ri−j，与Transformer一样，这是一个固定的编码向量，不需要学习。
2）在c这一项中，将查询的U_i^T*W_q^T向量转为一个需要学习的参数向量u，因为在考虑相对位置的时候，不需要查询绝对位置i，因此对于任意的i，都可以采用同样的向量。同理，在d这一项中，也将查询的U_i^T*W_q^T向量转为另一个需要学习的参数向量v。
3）将K的权重变换矩阵Wk转为Wk_E 和Wk_R，分别作为content-based key vectors和location-based key vectors。
总的来说，Relative Positional Encodings就是在计算attention分数时，用相对位置R_i_j编码来代替原来的绝对位置编码Ui和Uj。并且学习了相对位置v和u用来调整不同距离和不同嵌入的得分。
5 总结
总的来说TransformerXL对Transformer进行了一些调整，试图解决一些问题。按照论文的描述，TransformerXL学习的依赖关系比RNN长80%，比传统Transformer长450%，在短序列和长序列上都获得了更好的性能，并且在评估阶段比传统Transformer快1800+倍。
在XLnet中引入了Transformer-XL，获得了不错的效果。
总结
TransformerXL是Transformer一种非常重要的改进，思想值得我们好好学习和研究，希望对你有所帮助。