博雯 发自 凹非寺 量子位 | 公众号 QbitAI
近几年，随着业内“大力出奇迹”的趋势，Transformer的模型参数量也是水涨船高。
不过，当参数从数百万增加至数十亿，甚至数万亿，性能实现相应提升时，Transformer的深度也受到了训练不稳定的限制。
至少，还没有优化方法能在Transformer扩展至上千层的同时，还保证其稳定性。
但现在，微软研究院一篇论文出手，直接将Transformer提升到了1000层：
所采用的方法，甚至只需要修改几行代码就能完成。
LSTM之父， 获得IEEE CIS 2021年神经网络先驱奖的Sepp Hochreiter也转发了这项研究：
接下来，我们就来一起看看这一方法到底是如何做到的。
几行代码提升至1000层
要解决不稳定优化的问题，首先要知道其原因。
论文认为，这种不稳定性源于训练开始时“爆炸式”的模型更新。
这会使模型陷入一种局部最优状态，增加每个LN（Layer Normalization）的输入量，通过LN的梯度会随着训练变得越来越小，从而导致梯度消失，使模型难以摆脱一开始的局部最优状态。
最终破坏了优化的稳定性。
因此，基于这一问题，开发者残差连接处引入了一个新的归一化函数，DeepNorm：
△DeepNorm伪代码
DeepNorm在执行层归一化之前up-scale了残差连接，在不同架构下具有不同的参数：
这一函数将Post-LN的良好性能和Pre-LN的稳定训练高效结合了起来，最终将Transformer扩展到2500个注意力和前馈网络子层（即1000层）比以前的模型深度高出一个数量级。
将DeepNorm方法应用到Transformer的每一个子层中，就得到了一个全新的DeepNet模型。
事实证明，相较于已有的优化方法Post-LN，DeepNet的模型更新几乎保持恒定：
△基于IWSLT-14 De-En翻译数据集的训练
除此之外，开发者也将DeepNet与NormFormer、ReZero、DS-init等多个Transformer模型进行比较，结果在WMT-17 En-De数据集上，DeepNet在多个深度上都效果最好：
与Facebook AI的M2M模型（120亿参数量、48层）相比，DeepNet（32亿参数量、200层）在BLEU基准上的分数提升了5%。
最后，论文作者之一的董力也现身说明，整体而言，这一研究的价值就是：
1、扩展到1000层增加深度是为了探究上限 2、DeepNorm方法对浅层的Transformer也有稳定作用
作者介绍
论文两位共同一作Hongyu Wang和Shuming Ma，其中Hongyu Wang为微软研究院的一名实习生，并在此期间完成了论文。
而Shuming Ma（马树铭）本科和研究生皆毕业于北京大学，2019年加入微软亚洲研究院，现在是NLP组的一名研究员。
通讯作者为微软亚洲研究院NLP小组的首席研究员韦福如，2004年和2009年从武汉大学计算机科学系获得理学士学位和博士学位，曾任职于IBM中国研究中心。
论文： https://arxiv.org/abs/2203.00555
— 完 —
「人工智能」、「智能汽车」微信社群邀你加入！
欢迎关注人工智能、智能汽车的小伙伴们加入我们，与AI从业者交流、切磋，不错过最新行业发展&技术进展。
ps.加好友请务必备注您的姓名-公司-职位哦~
点这里
