用Mixtape代替softmax，CMU提出新方法兼顾表达性和高效性

点击 我爱计算机视觉 标星，更快获取CVML新技术

本文转载自机器之心。

选自arxiv

作者： 杨植麟、Thang Luong等

机器之心编译

参与： 魔王、杜伟

2017 年，杨植麟等人提出一种解决 Softmax 瓶颈的简单有效的方法——Mixture of Softmaxes（MoS）。但该方法成本高昂，于是最近杨植麟等人再次瞄准 softmax 瓶颈问题，提出兼顾表达能力和高效性的新方法 Mixtape。

论文链接：https://papers.nips.cc/paper/9723-mixtape-breaking-the-softmax-bottleneck-efficiently.pdf

softmax 瓶颈限制了神经语言模型的表达能力（expressiveness）。Mixture of Softmaxes (MoS) 是解决该理论局限的有效方法，但与 softmax 相比，MoS 无论在内存还是时间上都成本较高。

来自 CMU 和谷歌大脑的杨植麟、Thang Luong、Ruslan Salakhutdinov 和 Quoc Le 提出了一种新方法 Mixtape，该输出层利用三项新技术——logit 空间向量门控（logit space vector gating）、sigmoid 树分解（sigmoid tree decomposition）和门控共享（gate sharing），更高效地打破了 softmax 瓶颈。

研究者在语言建模和机器翻译等四个基准数据集上进行了实验，结果表明 Mixtape 层与 MoS 层性能相当，且 Mixtape 的效率是后者的 3.5-10.5 倍。在 10-30K 的词汇量下，使用 Mixtape 的网络仅比基于 softmax 的网络慢 20%-34%，其困惑度和翻译质量均优于 softmax。

softmax 带给我们的苦与乐

大量神经网络使用 softmax 作为标准输出层，包括大部分神经语言模型。但是，正如杨植麟等人在之前研究 [19] 中所指出的，softmax 限制了神经语言模型的表达能力，因为 它将输出表示限制在低秩，这不足以建模自然语言的复杂性 。该局限叫做「softmax 瓶颈」。

为了打破这一瓶颈，[19] 提出新方法 Mixture of Softmaxes (MoS)，它将离散潜在变量引入到输出层中，通过 log-sum-exp 非线性变换使对数概率矩阵变为高秩。但是，MoS 的内存和时间成本均高于 softmax，这使得它在计算资源有限的情况下实际应用性减弱。

MoS →Mixtape

为了降低 MoS 的计算成本，最近杨植麟等人提出了一种高效解决 softmax 瓶颈的新型输出层 Mixtape。Mixtape 可作为额外层嵌入到任意现有网络的交叉熵损失函数之前。它不像 MoS 在概率空间中部署标量混合（scalar mixture），而是在 logit 空间中应用向量门控机制，以避免使用多个成本高昂的 softmax。

此外，Mixtape 还使用了另外两项新技术来进一步降低计算成本。

首先，向量门控机制成本高昂，因为该机制需要我们对词汇表中的每一个词计算 softmax 门控。为此，研究者提出了 sigmoid 树分解技术，将 softmax 概率门控分布分解为一个深度为 2 的二叉树结构，每一个分支所包含的概率值部分由 sigmoid 函数决定。sigmoid 树分解更加高效，因为它避免了 softmax 中的减除运算。

另一项技术是门控共享，即对所有低频词共享门控值，得到部分高秩的表示。该技术在不影响性能的情况下，节约了一定量的内存和计算资源，因为即使没有门控共享，低频词的门控值通常也很难准确估计。

Mixtape 有多强大

Mixtape 结合了以上三项技术，效率较 MoS 有显著提升，而且 Mixtape 在四个基准数据集上的性能堪比甚至超过后者。在正常词汇量情况下（如 10K-30K），基于相同的批大小，Mixtape 层的速度是 MoS 层的 1.6-11.5 倍；基于相同的内存，Mixtape 层的速度是 MoS 的 3.5-10.5 倍。

在正常词汇量情况下，基于相同的批大小，使用 Mixtape 的网络速度仅比使用 softmax 的网络慢 5%-18%；基于相同的内存，前者仅比后者慢 20%-34%。在包含 100K token 的大词汇量情况下，基于 Mixtape 的网络的速度仅比基于 softmax 的网络慢 60%。

Mixtape 和 MoS 在困惑度和翻译质量方面均优于 softmax 。有趣的是，这些基准数据集各自的词汇量从 10K 到 100K 不等，其输入表示也不尽相同（包括单词和 BPE 子词），这表明 Mixtape 对不同输入都很高效，具备稳健性。

Mixtape 高效解决 softmax 瓶颈的奥秘

softmax 瓶颈问题的定义。

2017 年，CMU 杨植麟等人提出了解决 Softmax 瓶颈的简单有效方法 MoS。近期，杨植麟等人为了解决效率低下问题，再次提出了新方法 Mixtape，该方法既能和 MoS 一样学习高秩表示，其效率又高于 MoS。

如前所述，Mixtape 运用了三项新技术，接下来我们就来查看其细节。

logit 空间向量门控

MoS 成本最高的部分是计算 K 个 softmax，如果我们能够只用一个 softmax 计算最终概率分布，就可以节约大量计算资源。我们很容易想到将混合（mixture）从概率空间移到 logit 空间，即在 softmax 运算之前混合表示，从而得到条件分布 。 但是，正如论文 [19] 所述，该公式会导致低秩表示，因为它仍然使用公式 (1) 中的矩阵分解。

于是，该研究做了一个小小的修改：在 logit 空间中使用混合运算，从而得到高秩表示。其关键思想是：使用向量门控机制，而不是标量混合。也就是说，该方法未对每一个 token 使用共享混合权重集，而是对不同的 token 应用不同的权重集。使用向量门控后，条件分布的公式可写为：

但是，在 Mixtape 取得高效率的路上还有一个障碍。对于每一个 context-token 对 (c, x)，先验 π_c,x,k 需要执行归一化操作，而这需要对每一对的先验概率执行 softmax 运算。

Sigmoid 树分解

为了高效计算先验 π_c,x,k，研究者不使用 softmax，而是提出一种新技术——将 softmax 分布分解为 sigmoid 函数树结构。具体而言，计算 (K − 1) 个 sigmoid 输出，并利用它们定义树分支的概率。例如，当 K = 4 时，先验被定义为：

其中 γ_∗ 表示 sigmoid 概率，σ 表示 sigmoid 函数。

这就是 sigmoid 树分解。这种分解能够通过 (K − 1) 个 sigmoid 函数完全恢复 K-way 概率分布。使用 sigmoid 函数可以移除 softmax 中的减除运算，更加高效。

令 g_c 作为语境 c 下的 d_1 维度最后一层隐藏状态，则预激活先验（pre-activation prior）l_∗ 的计算公式为：

其中 v_x ∈ R^(d_2)、U_k ∈ R^(d_2×d_1)、u_k ∈ R^(d_1)、b_x,k ∈ R 是模型参数。d_2 是表示门控嵌入大小的超参数，通常比正常的词嵌入大小 d 要小。语境嵌入可以通过以下公式得到：

其中 H_k ∈ R^(d×d_1) 是模型参数。

门控共享

通过上述两个方法已经可以得到高效的高秩模型，但仍然存在改进空间。研究者观察到，我们仍需要对词汇表中的每个 token 计算门控先验，而这成为影响效率的瓶颈。但是，由于缺乏训练样本，我们很难估计低频 token 的门控先验，因此学习低频 token 的门控先验可能只是对算力的浪费。基于此，研究者提出门控共享，即对所有低频词共享相同的门控先验。具体而言，对于低频 token x，预激活门控先验被定义为：

使用门控共享后，研究者可使用共享门控先验来混合语境嵌入 h_c,k，然后再与 token 嵌入 w_x 相乘，由于低频 token 无需存储门控 logits 从而节省了内存空间。门控共享还加速计算，因为所有低频 token 仅计算一组门控先验。

Mixtape 奥秘汇总

Mixtape 层可总结为：

• 给出最后一层的隐藏状态 g_c，使用公式 (5) 计算语境嵌入 h_c,k；

• 对每个高频 token x，使用公式 (4) 计算预激活门控先验 l_c,x,k；

• 对于所有低频 token，使用公式 (6) 计算预激活门控先验 l_c,x,k；

• 使用 sigmoid 树分解，计算公式 (3) 中的门控先验 π_c,x,k；

• 使用向量门控，利用公式 (2) 获得下一个 token 的概率。

Mixtape 层的架构如下图所示：

图 1： Mixtape 层架构图。

实验

实验包括三部分：

• Mixtape 层打破 softmax 瓶颈，从而改进了当前最优的机器翻译系统；

• 研究者对比了 Mixtape、MoS 和 softmax 的困惑度、翻译质量、速度和内存约束，证明 Mixtape 能够在效果和效率之间做好权衡；

• 控制变量实验证明了门控共享的优势。

表 1： 在 WMT 英德和英法语言对数据上的性能对比。 Mixtape 在这两项任务上分别使用了 2 亿和 8 亿参数。

表 2： 数据集统计数据概况。 「PTB」和「1B」分别表示 Penn Treebank 数据集和 One Billion Word 数据集。

表 3： 模型在 Penn Treebank 上的困惑度和训练时间对比情况。

表 4： 模型在 One Billion Word 数据集上的困惑度和训练时间对比情况。

表 5： 模型在 WMT』14 英德语言对数据上的 BLEU 值和训练时间对比。

表 6： 模型在 WMT』14 英法语言对数据上的 BLEU 值和训练时间对比。

CV细分方向交流群

52CV已经建立多个CV专业交流群，包括：目标跟踪、 目标检测、语义分割、姿态估计、人脸识别检测、医学影像处理、超分辨率、神经架构搜索、GAN、强化学习等，扫码添加CV君拉你入群，如已经为CV君其他账号好友请直接私信，

（ 请务必注明相关方向，比如： 目标检测 ）

喜欢在QQ交流的童鞋，可以加52CV官方 QQ群 ： 805388940 。

（不会时时在线，如果没能及时通过验证还请见谅）

长按关注 我爱计算机视觉