Transformer结构（优化Tricks）

Transformer在训练和生成过程中，采用了很多小技巧：

首先是训练过程，训练过程中采用了一种叫checkpoint average技术，以及ADAM的一个优化器来进行参数更新，另外的话，为例提高模型的训练效果，防止过拟合，会在残差连接之前加上dropout。

在输出层，也加入了label smoothing的方式来提高训练效率，然后最后在生产过程中给的时候，也采用了更加复杂的一个生成策略

---

Transformer Performance

Transformer在机器翻译上的一个效果：

我们可以发现，Transformer也就是最后两行，它相比之前的模型，在评测指标上，也就是BLUE上有一定的提升，而且计算资源的消耗，其实相比之前有一个明显的降低，可以说Transformer之后的几年，几乎在所有的自然语言处理任务上，都取得一个更优的结果，而且这个情况目前正在有的，像计算机视觉等其他领域蔓延的一个趋势。

在Transformer结构中，之前讲到的attention其实是一个非常重要的一个部分，了解attention是否可以很好地建模这个token之间的关系，进行一些可视化的分析，以下展示的是第五层的一个attention的一个结果，然后下面这些不同行的色块表示的是不同的注意力，我们可以发现对于making这样一个单词，他的注意力基本上都在关注loss，making ，more difficult这些存在语义或者句法上关系联系的词，这其实也说明了Transformer的注意力机制确实捕捉到了输入句子中不同单词之间的一个关系。

这里还有另外的一个可视化的结果，这里是两个注意力头的一个情况，我们可以清楚的发现，这两个注意力头其实捕捉到的是一个句子中的一个指代关系，然后在这个句子中its其实指代的就是前面提到的law，这样的对应关系，其实都是Transformer模型根据自己的数据自己训练得到的，我们并没有添加任何的外部的限制和帮助，这也充分的说明了Transformer的attention其实具有强大的文本建模和表示能力。

左下方是一个可视化网站，可以输入句子尝试，去看一下Transformer中attention的情况

---

Transformer summary总结

优点：

1、Transformer是一个具有很强表示能力的模型，而且在很多这个任务中都得到了一个验证，目前也有将这些工作迁移到视觉，然后存储到网络等其他领域的一些工作。

2、这个模型结构本身非常适合并行计算，因为它的attention的计算过程，包括后面前馈网络计算过程，其实都是可以进行，这个对目前GPU等加速设备非常友好。

3、我们通过对attention的一个可视化也可以发现，这个注意力模块其实很好地建模了句子中token和token之间的关系。

4、另外我们从发展到现在的角度来回看当时提出的这样一个Transformer的模型，我们可以发现，它其实给后续的预训练语言模型带来了很多启发，并且成为目前预训练模型的最主要的一个框架，极大地推动了NLP领域的发展。

当然，他其实有一些不可避免的一些缺点：

1、模型本身对于参数很敏感，优化过程非常困难，可能对于优化器的选择，一些超参数的设置，都可能对训练产生一个很大的影响。

2、这样的话，它处理文本的一个复杂度其实是和文本长度n是一个平方的关系，就导致它可能对于长度特别长的文本束手无策。当前很多模型可能都会设置一个最大的输入长度，比如说512

以上为Transformer的相关知识