智造观点
谷歌Evolved Transformer通过AutoML技术进行特定任务定制，在编码器和解码器模块底部的卷积层以分支模式运行，提高了语言建模的性能，目前在机器翻译领域可以达到最先进的结果。
Transformer是一种AI架构，最早是在2017年Google的科学家合著的论文《Attention Is All You Need》中介绍的，它比较擅长撰写散文和产品评论、合成声音、以古典作曲家的风格制作和声。
但是，谷歌的一个研究小组认为它可以更进一步使用AutoML技术，根据特定任务进行定制翻译。在一篇新发表的论文和博客中，研究人员描述了工作成果：与原始的Transformer相比，现在的Transformer既达到了最先进的翻译结果，也提高了语言建模的性能。
目前，他们已经发布了新的模型Evolved Transformer——开放源代码的AI模型和数据集库，来作为Tensor2Tensor（谷歌基于tensorflow新开源的深度学习库，该库将深度学习所需要的元素封装成标准化的统一接口，在使用其做模型训练时可以更加的灵活）的一部分。
一般意义上，AutoML方法是从控制器训练和评估质量的随机模型库开始，该过程重复数千次，每次都会产生新的经过审查的机器学习架构，控制器可以从中学习。最终，控制器开始为模型组件分配高概率，以便这些组件在验证数据集上更加准确，而评分差的区域则获得较低的概率。
研究人员称，使用AutoML发现Evolved Transformer需要开发两种新技术，因为用于评估每种架构性能的任务WMT'14英德语翻译的计算成本很高。
第一种是通过暖启动（warm starting）的方式，将初始模型填充为Transformer架构进行播种，而不采用随机模型，有助于实现搜索。第二种渐进式动态障碍（PDH）则增强了搜索功能，以便将更多的资源分配给能力最强的候选对象，若模型“明显不良”，PDH就会终止评估，重新分配资源。
通过这两种技术，研究人员在机器翻译上进行大规模NAS，最终找到了Evolved Transformer。
（Evolved Transformer架构）
那么Evolved Transformer有什么特别之处呢？
与所有深度神经网络一样，Evolved Transformer包含神经元（函数），这些神经元从输入数据中传输“信号，并缓慢调整每个连接的突触强度（权重），这是模型提取特征和学习进行预测的方式。此外，Evolved Transformer还能使每个输出元件连接到每个输入元件，并且动态地计算它们之间的权重。
与大多数序列到序列模型一样，Evolved Transformer包含一个编码器，它将输入数据（翻译任务中的句子）编码为嵌入（数学表示）和一个解码器，同时使用这些嵌入来构造输出（翻译）。
但研究人员也指出，Evolved Transformer也有一些部分与传统模型不同：在编码器和解码器模块底部的卷积层以分支模式运行，即在合并到一起时，输入需要通过两个单独的的卷积层。
虽然最初的Transformer仅仅依赖于注意力，但Evolved Transformer是一种利用自我关注和广泛卷积的优势的混合体。
（原始Transforme与Evolved Transformer的性能对比）
在测试中，研究人员将Evolved Transformer与原始Transformer在模型搜索期间使用的英德翻译任务进行了比较，发现前者在BLEU（评估机器翻译文本质量的算法）和Perplexity（衡量概率分布预测样本的程度）上性能更好。
在较大的数据中，Evolved Transformer达到了最先进的性能，BLEU得分为29.8分。在涉及不同语言对和语言建模的翻译实验中，Evolved Transformer相比于原始Transformer的性能提升了两个Perplexity。
来源：微信公众号 人工智能观察
