八問八答搞懂Transformer內部運作原理

七年前，論文《Attention is all you need》提出了 transformer 架構，顛覆了整個深度學習領域。

如今，各家大模型都以 transformer 架構為基礎，但 transformer 內部運作原理，仍是一個未解之謎。

去年，transformer 論文作者之一 Llion Jones 宣布創立人工智慧公司 Sakana AI。近期，Sakana AI 發表了一篇題為《Transformer Layers as Painters》的論文，探究了預訓練 transformer 中的信息流，並針對僅解碼器和僅編碼器凍結 transformer 模型進行了一系列實驗。請注意，該研究沒有對預訓練模型進行任何類型的微調。

論文地址：https://arxiv.org/pdf/2407.09298v1

研究認為transformer 的內部機制（特別是中間層）可以類比畫家作畫流水線來理解。

作畫流水線通常是將畫布（輸入）傳遞給一系列畫家。有些畫家擅長畫鳥類，而有些畫家則擅長畫輪子。每個畫家從其下一級畫家那裡收到畫布，然後其決定是否給畫作添加一些筆畫，或者只是將其傳遞給其上一級畫家（使用剩餘連接）。

這個類比並不是一個嚴格的理論，而是一個思考 transformer 層的工具。受這個類比的啟發，研究檢驗驗證了一些假設：

• 各層是否都在使用相同的表徵空間？ 

• 所有層都是必要的嗎？

• 中間層都執行相同的功能嗎？ 

• 層的順序很重要嗎？

• 這些層可以並行運作嗎？

• 對於某些任務來說，順序是否比其他因素更重要？

• 循環有助於層並行嗎？

• 哪些變體對模型性能影響最小？

研究對預訓練LLM 進行了一系列實驗，其中包括試驗標準transformer 執行策略的變化，並在僅解碼器(Llama) 和僅編碼器(BERT) 模型的各種基準上測量這些變化對模型性能的影響。

各層是否都在使用相同的表徵空間？

為了回答不同層是否使用相同的表徵空間，作者測試了 Transformer 在跳過特定層或切換相鄰層的順序時是否具有穩健性。例如，在 Llama2-7B 中，第 6 層通常期望接收第 5 層的輸出。如果給第 6 層第 4 層的輸出，它是否會出現「災難性」的行為？

在圖 2 中，我們可以看到，除了第一層和最後幾層之外，Llama2-7B 的各層對跳層或切換層都相當穩健。

實驗表明，中間層共享一個表徵空間，且與「外圍層」（第一層和最後幾層）擁有不同的表徵空間。為了進一步驗證這個假設，作者效法先前的研究，測量了基準中模型（Llama2-7B、Llama2-13B 和 BERT-Large）不同層的隱藏狀態活化之間的平均餘弦相似度。圖 3 顯示了所有中間層之間的一致性。

這表明該模型可能具有「開始」、「中間」和「結束」層的三個不同的表徵空間。回答問題 1：是的，中間層似乎共享一個共同的表徵空間。

所有層都是必要的嗎？

為了進一步測試中間層的重定向空間是否真正共享（除了具有接近的餘弦相似度之外），該研究嘗試了“跳過層”，即將第N 層的輸出直接發送到第N + M 層（其中M > 1）的輸入中，從而「跳過」M − 1 層，如圖1a 所示。該實驗是為了看看第 N + M 層是否可以理解第 N 層的激活，儘管它僅根據從第 N + M − 1 層發出的輸入進行訓練。圖 4 顯示，Llama2-7B 和 BERT-Large 在許多基準測試上效能均出現適度下降。回答問題 2，是否所有層都是必要的：

不，至少可以刪除一些中間層而不會發生災難性故障。

中間層都執行相同的功能嗎？

如果中間層都共用一個共同的表徵空間，這是否意味著除此之外的中間層是多餘的呢？為了測試這一點，研究者們重新運行了前一子節中的「跳過」實驗，他們將中間層的權重替換為中心層的權重，有效地在被替換的每一層上循環T - 2N + 1 次，其中T 是總層數（Llama2-7B 為32 層，BERT-Large 為24 層）。

如圖 5 所示，可以觀察到，隨著被替換層數的增加，模型在基準測試的得分迅速下降。從後文的圖 11 看來，這種替換層的做法比研究者嘗試的其他方法都更糟。因此，研究者得出結論：中間層執行的是不同的功能，讓中間層之間共享權重並不可行。

層的順序很重要嗎？

先前的實驗表明，中間層共享一個表示空間，但在該空間中負責不同的功能。下一個需要解決的問題是，這些功能的順序有何意義。為了解決這個問題，研究者設計了兩組實驗。首先，以與訓練時相反的順序來運行中間層。具體來說，取第T - N 層的輸出，將其輸入到第T - N - 1 層，然後將這一層的輸出輸入到第T - N - 2 層，依此類推，一直到第N層，再將這一層的輸出送到後面的T - N 層。在第二組實驗中，研究者採用隨機順序運行中間層，並在 10 個種子值上取平均值。

圖 6 和圖 7 分別顯示了反向和以隨機順序運行中間層的結果，模型在所有基礎測試集中都顯示出了逐漸下降的趨勢。這也顯示雖然層的順序對模型有一定的重要性，但即使改變了順序，這些層仍然能夠發揮作用。

更有趣的是，隨機打亂層的順序比完全反過來效果更好。這可能是因為，隨機打亂的順序在某些方面保留了層之間的一些原有關係（即層 i 在層 j 之後，其中 i > j），而完全反過來則完全打破了這些關係。

這些層可以並行運作嗎？

為了驗證層本身存在比執行的順序更重要，研究者們設計了一個實驗，並行運行中間層，將它們的平均結果發送給最終的 N 層。

如圖 8 所示，模型在所有基準測試中的表現均呈現了一種平緩下降趨勢，然而，這種趨勢並不適用於 GSM8K 中的數學應用題。

實驗結果顯示，大部分情況下這種方法都是有效的，只是一些複雜的數學題處理得不好。這種平行處理方法相比直接跳過一些層，效果更好，但不如按反向順序運行層的效果出色。基於此，研究者得出結論：並行運行層在一般情況下是可行的，但對於需要順序邏輯理解的數學問題，這種方法可能不太適用。

對於某些任務來說，順序是否比其他因素更重要？ 

對於大多數經過「改造」的模型，在面對抽象推理（ARC）或數學推理（GSM8K）基準測試時，它們往往顯示出最陡峭的下降趨勢。這現象可能源自於逐步推理任務對於模型層級順序的敏感度遠高於那些主要依賴語意理解的常識任務。與那些僅透過理解語意便能完成的任務不同，推理任務要求模型同時掌握結構與意義。這種觀察與模型在單次處理過程中可能進行一定程度的順序依賴性推理的假設相吻合。

研究者使用了一個比喻來說明：如果畫一幅由許多不同元素組成的拼貼畫，那麼畫的順序可能不那麼重要；但如果是要畫一幅精確的建築場景，那麼每一筆的順序就變得非常重要了。據此，研究者得出了結論：數學和推理任務對模型層的順序具有更高的依賴性，而對於那些主要依賴語義理解的任務，順序的影響則相對較小。

循環有助於層之間並行嗎？

沿用上一節中畫畫的的比喻，當畫家在畫一幅畫時，不是一開始就畫所有東西，而是先畫一部分，比如車身，然後再根據這部分來增加其他的東西，例如車輪。在AI 模型中，層就是所謂的畫家，處理資訊就是在畫畫，如果先得到了正確的訊息，也就先畫出了所謂的車身，那麼它們就能更好地完成自己的工作，為畫作加入車輪。

對於 transformer 而言，當給予適當的輸入時，層可能只在前向傳播中做出貢獻，並非透過殘差連接「傳遞」輸入。如果情況確實如此，那麼迭代上一個實驗中的平行層應該比單次執行平行層更能提高模型的效能。基於此，研究者透過將平行層的平均輸出回饋到同一層中進行固定次數的迭代來測試這一點。

圖 9 展示了將並行層循環 3 次的結果。循環並行 3 次的結果顯著優於單次迭代（平行層）。起始層 N 設定為 15（針對 Llama2-7B 模型）或 11（針對 BERT 模型）時，即處於每種情況的極左端點，僅有單一的層級受到影響。在這種特定情況下，三次循環並行的效果等同於單純地將中間層重複三次。同時，對於這一點上的並行層而言，其性能與完整模型無異。

研究者們也針對不同的迭代次數重複了相同的實驗。圖 10 展示了 Llama2-7B 的效能隨平行化層數 M 和迭代次數的變化。每個 M 的最高效能迭代次數以紅框標示。除了 M=29 和 M=31（幾乎並行化所有層）外，最佳迭代次數大致與平行化層數成線性比例。因此，研究者的結論是：最佳迭代次數與平行化層數成正比。

 如何調整層，對模型表現的影響最小？

最後，在圖 11 中，研究者們將所有實驗中對 Transformer 的「改造」進行了比較，在一個圖表上顯示了所有基準測試的中位數或平均性 。 

中間重複 —— 用相同數量的中間層副本替換中間層 —— 表現最差， 很快就降到了隨機基線的性能。相反，循環並行和隨機層順序的影響最小。因此，研究者得出的結論是：重複單一層的影響最嚴重。隨機化層順序和循環並行的影響最小。

這些實驗整體上顯示出平穩的性能下降，但研究者仍然不清楚為什麼這些層在大多數擾動下還能保持一定的穩健性，這個問題還需在未來的研究中進一步探討。 

更多詳情請參考原論文。

^{參考連結：https://arxiv.org/pdf/2407.09298v1}

以上是八問八答搞懂Transformer內部運作原理的詳細內容。更多資訊請關注PHP中文網其他相關文章！