基于Transformer結構的各類語言模型（Bert基于其encoder,Gpt-2基于其decoder）早已經在各類NLP任務上大放異彩，面對讓人眼花繚亂的transformer堆疊方式，你是否也會感到迷茫？沒關系，現在讓我們回到最初，再次看看transformer 本來的模樣——Rethinking the Value of Transformer Components。該文收錄已于COLING 2020。

眾所周知，一個完整的transformer結構可以切分成Encoder-self attention(“E:SA”)， Encoder-Feed Forward(“E:FF”)， Decoder-Self Attention(“D:SA”)， Decoder-Encoder Attention(“D:EA”) 和 Decoder-Feed Forward(“D:FF”) 5個sub-layer結構。文中作者采用了兩種度量方式確認這些sub-layer的重要程度。

方法稍后再談，先上干貨，實驗結果表明：

Decoder self-attention layers是最不重要的，而Decoder feed-forward layers是最重要的；

離模型的輸入和輸出越近的sub-layer要比其他的重要些；

在decoder里越靠后的encoder-attention layer要比之前的重要。

這些結果對不同的度量方法，數據集，初始化種子以及模型容量都能保持一致性。

▲Transformer結構圖

模塊重要性分析

所謂的重要性究竟是什么呢？論文認為，這主要包括兩個方面：

Contribution in information Flow，對于模型信息流的貢獻程度

Criticality in Representation Generalization，模型的模塊對參數的擾動表現出不同的魯棒性

Contribution in Information Flow

Transformer 最初是用來做機器翻譯任務的。所謂的information flow就是指數據如何從源語言經過Transformer的encoder和decoder最終成為目標語言的。如何衡量模型的每個部分對information flow做出的貢獻呢? 最直觀的想法就是去掉那個部分看看同樣條件下模型的效果如何。如果去掉那個部分，模型效果沒什么變化，那就說明該部分沒做什么貢獻，反之，如果刪掉該部分，模型效果顯著降低則說明它貢獻卓著，沒它不行。作者采用了如下的量化方法：

公式中指的是去除第n個部分后模型整體的BLEU得分降。為了避免出現重要性指數出現負值和爆炸性下跌，作者將的值設定在[0,C]之間(真的會出現負重要性指數嗎？那樣倒挺好——模型變小，效果更好)。然后通過除以最大的得分降將的值進行了歸一化，這里作者設置的上限C值為基線模型的BLEU得分的1/10.

Criticality in Representation Generalization

這里說的criticality指的是模型的模塊對參數的擾動表現出不同的魯棒性。比方說，如果將某個模塊的參數重置為初始化參數，模型的表現變差，那么這個模塊就是critical的，否則就是non-critical的。有人在理論上將這個criticality給公式化了，而且他們表明這個criticality可以反映神經網絡的泛化能力。

作者便是參考了這個工作，對網絡的第n個模塊，定義

即初始權重和最終權重的一個凸組合。

那么第n個部分的criticality score就可以表示為

這個式子定量的說明了criticality是最小的能使模型在閾值的情況下保持性能。這個值越小說明該模塊越不重要，這里取的是 0.5 BLEU分。

兩種度量方法雖然都是基于模塊對模型表現的影響的，但是又有不同之處。Contribution score可以看成是 hard metric(完全刪除模塊)，而 Criticality score可以看成是一種soft metric,它衡量的是在保證模型表現的前提下模塊參數能多大程度的回卷。

實驗

實驗是在WMT2014 English-German(En-De)和English-French(En-Fr)兩個機器翻譯數據集上進行的，作者使用的Transformer模型和Transformer的那篇原始文獻(Vaswani et al.,2017)是一樣的。Transformer model 一共6層編碼器和解碼器，layer size是512，feed-forward sub-layer的size是2048，attention head的數值是8，dropout是0.1，initialization seed設置為1。

觀察模塊的重要性

上圖是采用兩種度量方式在兩個數據集上的實驗結果，其中X軸代表的是模塊類型，Y軸表示的是layer id。其中顏色越深就越重要。可以看出兩種度量方式的結果很大程度上是一致的，比方說：

the decoder self-attention(D:SA)是最不重要的，而the decoder feed-forward layers(D:FF)是最重要的。

編碼器里越靠前(E:SA和E:FF)和解碼器里越靠后(D:EA和D:FF)是更重要的。這個其實很直觀，因為這些模塊離數據的輸入和輸出更近，所以對輸入句子的理解和輸出句子的生成要更加重要些。

在解碼器里越靠后的encoder-attention(D:EA)layers要比之前的encoder-attention layers重要。

分析不重要的模塊

更低的dropout比例和更多的訓練數據會讓不重要的模塊變得更少（dropout是一種常見的用來防止過擬合的手段）。為了保證模型的效果，當我們使用dropout的時候其實說明模型本身有一定程度上的冗余。在不降低模型效果的前提下，小的dropout比例剛好說明模型的冗余越少，也就是不重要的模塊更少。大規模的訓練數據本身就自帶更多的patterns。需要充分發揮transformer的各個模塊才能有效地學習到。

從上面兩張圖可以明顯的看出：當使用更小的dropout和更大的數據集時，顏色深的版塊明顯變得更多。此外之前所得到的結論這里依然成立。

區分和利用一批不重要的模塊

之前的結果都是只刪除一個模塊得到，那我們一次性刪除多個模塊呢？

上圖顯示當我們刪除3到4個不重要的模塊時，模型效果并沒有明顯降低。但是當刪的更多了之后，模型的效果會受到較大的影響。那么我們是否可以利用這些不怎么重要的模塊去對模型進行優化呢？作者采用了兩種方式：一個是模塊剪枝，另一個是模塊回卷。

模塊剪枝就是將不重要的模塊直接刪掉，因為刪掉了相應模塊使得模型的參數變小，作為對比作者在相同參數量下使用了一個淺層的decoder模型結果如表：

可以看出剪枝后的模型要比同樣參數下的淺層模型結果要好，而且也能達到和原始模型相應的效果，有的甚至更好(還真有)。

模塊回卷就是將不重要的模塊參數回卷到初始化狀態，再和其他模塊一起微調一下得到的訓練結果要比原始模型好一點。

總結

我們可以利用contribution score和criticality score評價模型中各個模塊的重要性，知曉了模塊的重要性程度后我們可以對不重要的模塊進行剪枝或者參數回卷都能在一定程度上讓原有模型得到優化。

原文標題：我刪掉了Transformer中的這幾層…性能反而變好了？

文章出處：【微信公眾號：深度學習自然語言處理】歡迎添加關注！文章轉載請注明出處。

責任編輯：haq