Location via proxy:   [ UP ]  
[Report a bug]   [Manage cookies]                
SlideShare a Scribd company logo

Transformerを多層にする際の勾配消失問題と解決法について

•
•
Sho Takase
Sho Takase

第28回言語処理学会年次大会での発表スライド

Related slideshows

[DL輪読会]Vision Transformer with Deformable Attention （Deformable Attention Tra...
[DL輪読会]Vision Transformer with Deformable Attention （Deformable Attention Tra...[DL輪読会]Vision Transformer with Deformable Attention （Deformable Attention Tra...
[DL輪読会]Vision Transformer with Deformable Attention （Deformable Attention Tra...
 
[DL輪読会]Focal Loss for Dense Object Detection
[DL輪読会]Focal Loss for Dense Object Detection[DL輪読会]Focal Loss for Dense Object Detection
[DL輪読会]Focal Loss for Dense Object Detection
 
Transformerを雰囲気で理解する
Transformerを雰囲気で理解するTransformerを雰囲気で理解する
Transformerを雰囲気で理解する
 
1 of 16
Download to read offline
Transformerを多層にする際の 勾配消失問題と解決法について ⾼瀬翔，清野舜，⼩林颯介，鈴⽊潤 東⼯⼤，理研，東北⼤，PFN 2022/3/15 1
Transformer の構造と本研究のまとめ • Transformer は Layer Normalization (LN) の位置で2種に⼤別される 2 Post-LN Pre-LN Residual 後に Layer Norm 本研究の貢献 ・Post-LN と Pre-LN の性能差を実験的に⽰す ・多層 Post-LN の学習が難しい原因を⽰す ・⾼い性能を維持しつつ多層化する⼿法を提案 性能 多層化 Post-LN ○ × Pre-LN × ○ B2T（提案⼿法） ○ ○ × N × N Layer Norm Attention FFN Layer Norm Layer Norm Attention FFN Layer Norm Layer Norm Attention × N × N Attention Layer Norm Layer Norm FFN Layer Norm (a) Post-LN Layer Norm + Attention Layer Norm + FFN Layer Norm + Attention Layer Norm + Attention Layer Norm + FFN Layer Norm Attention FFN Layer Norm Layer Norm Attention FFN Layer Norm Layer Norm Attention × N × N Attention Layer Norm Layer Norm Attention Layer Norm Layer Norm FFN Attention Layer Norm × N × N FFN Layer Norm Layer Norm Layer Norm Attention FFN Layer Norm Layer N Attenti FFN Layer N Layer N Attenti × N × (a) Post-LN (b) Pre-LN (c) Post-LN with B2T connec Layer Norm Attention FFN Layer Norm Layer Norm Attention FFN Layer Norm Layer Norm Attention × N × N Attention Layer Norm Layer Norm Attention Layer Norm Layer Norm FFN Attention Layer Norm × N × N FFN Layer Norm Layer Norm Layer Norm Attention FFN Layer Norm Layer Norm Attention FFN Layer Norm Layer Norm Attention × N × N (a) Post-LN (b) Pre-LN (c) Post-LN with B2T connection 関数適⽤前に Layer Norm
性能を上げるために多層にしたい • 性能はパラメータ数に対数⽐例する • パラメータ数をどう増やす︖ – 中間層の次元数を増やす or 多層にする 3 Transformer エンコーダ・デコーダの翻訳でのBLEU 値 次元数を増やすよりも 多層にした⽅が性能が⾼い （性能向上の傾きが良さそう） → 多層にしたい 6層 6層 （次元数増） 18層
多層 Post-LN の学習は難しい • 多層 Post-LN（例えば 18層）は学習が難しい – 勾配消失によって学習が進まない • 18層 Transformer エンコーダ・デコーダの翻訳タスクでの挙動 4 訓練 Loss 開発データでの Loss エンコーダ側 デコーダ側 各層の勾配のノルム Post-LN は訓練 Loss が下がらない 開発データの Loss も⾼いまま デコーダ側で勾配消失が発⽣ 101 100 10-1 10-1 100
勾配消失の原因は LN • 勾配消失の原因を探る – デコーダの18層⽬の各位置における勾配のノルムを調べる 5 Layer Norm Attention FFN Layer Norm Layer Norm Attention (4) → (3)，(2) → (1) で勾配が⼤きく減衰 → LN をまたぐと勾配が⼤きく減衰 → LN が勾配を減衰させる → LN が勾配消失の原因
Pre-LN は何故学習できるのか︖ • Pre-LN は LN の影響を受けない勾配がある – LN の影響を受けない＝勾配が減衰しない • Post-LN と Pre-LN の式を確認する – ⼊⼒を x，アテンションやFFNを とすると 6 前向き計算 勾配 in performance and remove unstable training property, and thus provide better performance than Pre-LN re- gardless of their layer sizes. 2. Post-LN and Pre-LN Transformers We briefly describe Post-LN and Pre-LN Transformers. The original Transformer (Vaswani et al., 2017) uses Post-LN in which layer normalizations are located after each residual connection. Let x be an input of sub-layer, and F(·) be a sub-layer of Transformers such as a feed-forward network and multi-head attention. Post-LN is defined as follows: PostLN(x) = LN(x + F(x)), (1) where LN(·) is the layer normalization function. In contrast, Pre-LN places the layer normalization before an input of each sub-layer; for ials the ish- ing, rtic- cant the ayer yses with- nce we mers dual me- ayer tion age the nts; 2. Our modifications enable Post-LN Transformers to stack many layers. 3. Our method can maintain the advantage of Post-LN in performance and remove unstable training property, and thus provide better performance than Pre-LN re- gardless of their layer sizes. 2. Post-LN and Pre-LN Transformers We briefly describe Post-LN and Pre-LN Transformers. The original Transformer (Vaswani et al., 2017) uses Post-LN in which layer normalizations are located after each residual connection. Let x be an input of sub-layer, and F(·) be a sub-layer of Transformers such as a feed-forward network and multi-head attention. Post-LN is defined as follows: PostLN(x) = LN(x + F(x)), (1) where LN(·) is the layer normalization function. In contrast, Pre-LN places the layer normalization before an input of each sub-layer; PreLN(x) = x + F(LN(x)). (2) -LN prevents it as shown in Figure 1. In partic- rify that the layer normalization is a significant vanishing gradient problem by comparing the t vector norms of gradient flows for each layer on during back-propagation. These analyses ovel idea that can satisfy higher stability with- ormalizations and provide better performance N regardless of their layer sizes. Specifically, we method that is based on Post-LN Transformers different components; 1. additional residual and 2. simple layers without model parame- onstant values) as the replacement of the layer ons. experiments on a wide range of text generation y machine translation, summarization, language nd automatic speech recognition. We obtain the hree new major findings from our experiments; gardless of their layer sizes. 2. Post-LN and Pre-LN Transformers We briefly describe Post-LN and Pre-LN Transformers. The original Transformer (Vaswani et al., 2017) uses Post-LN in which layer normalizations are located after each residual connection. Let x be an input of sub-layer, and F(·) be a sub-layer of Transformers such as a feed-forward network and multi-head attention. Post-LN is defined as follows: PostLN(x) = LN(x + F(x)), (1) where LN(·) is the layer normalization function. In contrast, Pre-LN places the layer normalization before an input of each sub-layer; PreLN(x) = x + F(LN(x)). (2) 13 based er for WMT Trans- 10 Figure 5. Cosine similarities among outputs of each layer. norms are exponentially decayed as back-propagated to shallower layers. This result is consistent with the previous study (Liu et al., 2020). We consider that this vanishing gradient causes the difficulty in stacking many layers with the Post-LN setting as shown in Figure 1. To explore more details of the vanishing gradient empiri- cally, we check gradient norms of parts (1) - (5) in Figure 2 (a). Figure 4 shows the gradient norms of each part at 18th layer. This figure indicates that the gradient norms from (4) to (3) and (2) to (1) drastically decrease. These parts cor- respond to layer normalizations as in Figure 4. Thus, layer normalizations in Post-LN Transformers probably cause the vanishing gradient problem. To investigate the difference of gradient flows between Post- LN and Pre-LN theoretically, we calculate derivatives of equations (1) and (2). The derivatives are as follows: @PostLN(x) @x = @LN(x + F(x)) @(x + F(x)) ✓ I + @F(x) @x ◆ , (3) @PreLN(x) @x = I + @F(LN(x)) @LN(x) @LN(x) @x , (4) where I is the identity matrix. As Equation (3), the deriva- tive of Post-LN is equal to the product of two derivatives; one is the layer normalization, and the other consists of the residual connection and sub-layer F. In contrast, in Pre-LN, Layer Norm Attention FFN Layer Norm Layer Norm Attention Gradient norms of each location in the 18th decoder for yered Post-LN Transformer encoder-decoder on WMT o-German translation training data. 2 (a) and (b) illustrate Post-LN and Pre-LN Trans- architectures respectively. dients of Transformer Layers norms are exponentially decayed as back-propagated to shallower layers. This result is consistent with the previous study (Liu et al., 2020). We consider that this vanishing gradient causes the difficulty in stacking many layers with the Post-LN setting as shown in Figure 1. To explore more details of the vanishing gradient empiri- cally, we check gradient norms of parts (1) - (5) in Figure 2 (a). Figure 4 shows the gradient norms of each part at 18th layer. This figure indicates that the gradient norms from (4) to (3) and (2) to (1) drastically decrease. These parts cor- respond to layer normalizations as in Figure 4. Thus, layer normalizations in Post-LN Transformers probably cause the vanishing gradient problem. To investigate the difference of gradient flows between Post- LN and Pre-LN theoretically, we calculate derivatives of equations (1) and (2). The derivatives are as follows: @PostLN(x) @x = @LN(x + F(x)) @(x + F(x)) ✓ I + @F(x) @x ◆ , (3) @PreLN(x) @x = I + @F(LN(x)) @LN(x) @LN(x) @x , (4) where I is the identity matrix. As Equation (3), the deriva- tive of Post-LN is equal to the product of two derivatives; one is the layer normalization, and the other consists of the residual connection and sub-layer F. In contrast, in Pre-LN, the derivative of the residual connection is isolated from the term related to the derivative of the layer normalization. The Post-LN Pre-LN LN の微分から独⽴した項 → 勾配の維持に貢献 LN の微分との積 → 勾配が減衰 Residual が LN を迂回
Pre-LN で良いのでは︖ • Pre-LN は多層にしたときの学習が安定 – 近年の多層なモデル（例︓GPT）はPre-LN • しかし Pre-LN は性能が低い – Post-LN は学習が成功した場合 Pre-LN より⾼性能 • 6層 Transformer エンコーダ・デコーダの性能⽐較 7 Post-LN Post-LN Pre-LN Pre-LN 翻訳（WMT英-独）でのBLEU ⾒出し⽂⽣成でのROUGE-1
Post-LN は何故性能が⾼い︖ • Post-LNは各層で⼊⼒を⼤きく変換できる – 各層のパラメータを効果的に使えている • 各層の出⼒間のコサイン類似度を調査 – ⾚︓類似度が⾼い – ⻘︓類似度が低い 8 On Layer Normalizations and Residual Connections in Transformers 13 101 10-1 100 (a) Encoder side (b) Decoder side 101 10-1 100 Gradient norms of 18 layered Transformer-based decoder architectures. (a) Post-LN (b) Pre-LN (c) B2T connection Encoder Decoder Figure 5. Cosine similarities among outputs of each layer. On Layer Normalizations and Residual Connections in Transformers 13 101 10-1 100 de (b) Decoder side 101 10-1 100 s of 18 layered Transformer-based ures. 10 (a) Post-LN (b) Pre-LN (c) B2T connection Encoder Decoder Figure 5. Cosine similarities among outputs of each layer. norms are exponentially decayed as back-propagated to Post-LN Pre-LN Post-LN は1層⽬と最終層の出⼒ の類似度が低い（⾏列の左下） → ⼊⼒を⼤きく変換できる Pre-LN は何故類似度が⾼い︖ → Residual が LN を迂回する → ⼊⼒ x が出⼒に直結する
提案⼿法︓B2T Connection • Post-LN の⾼い性能を維持しつつ多層化したい • 何が必要か︖ 1. 勾配消失を防ぐ︓LN をなるべく迂回する 2. ⼊⼒が出⼒に直結することを防ぐ︓各層で⼊⼒を変換する 9 n m m Attention Layer Norm Layer Norm FFN Attention Layer Norm N × N m Layer Norm Layer Norm Attention FFN Layer Norm Layer Norm Attention FFN Layer Norm Layer Norm Attention × N × N (b) Pre-LN (c) Post-LN with B2T connection 造．(a) は Post-LN，(b) は Pre-LN，(c) は Post-LN に提案手法を組み せたものである． 101 提案⼿法︓⾚字の Residual Connection を追加 各層の下から上までの経路︓Bottom-to-Top Connection 1. 各層の最後の LN 以外を迂回する → LN による勾配の減衰を抑制 2. 最後の LN は⼊⼒にも適⽤
提案⼿法の効果 • 提案⼿法（B2T connection）を導⼊した場合 10 Attention Layer Norm Layer Norm Attention Layer Norm Attention Pre-LN (c) Post-LN with B2T connection a) は Post-LN，(b) は Pre-LN，(c) は Post-LN に提案手法を組み ものである． 11 100 101 101 10-1 100 (a) Encoder side (b) Decoder side 図 3 Transformer エンコーダ・デコーダの勾配のノルム． 示したように多層 Post-LN の学習を不安定にしてい ると考えられる． 勾配消失の詳細な原因を知るため，図 2(a) の (1) - (5) における勾配のノルムを調査した．図 4 は 18 層 4 WMT 英-独で学習した際の 18 層の Post-LN におけ る 18 層目のデコーダの各位置における勾配のノルム． (a) Post-LN (b) Pre-LN (c) B2T connection Encoder Decoder 図 5 各層からの出力間のコサイン類似度． 5 提案手法：B2T Connection 本節では Post-LN の高い性能を維持したまま多層 エンコーダ側 デコーダ側 18層 Transformer エンコーダ・デコーダの 各層の勾配のノルム 提案⼿法は勾配消失を防いでいる Post-LN Pre-LN B2T connection Post-LNと同様の変換の性質 → ⾼い性能が期待できる
関連研究 • DLCL [Wang+ 19]︓各層からの出⼒の重み付き和を⼊⼒ – L 追加での学習パラメータが必要 • Admin [Liu+ 20]︓出⼒の分散を抑制するパラメータ導⼊ – L 追加での計算コストが発⽣ • 追加パラメータの初期化のために学習前に前向き計算が必要 • Post-LN をベースにしていれば性能は同程度（と思われる） – 提案⼿法は追加のパラメータ・計算コストなしに多層化が可能 11
実験 • 実験を通して⽰すこと – Post-LN は学習が成功すれば Pre-LN よりも性能が⾼い – 提案⼿法（B2T connection）は多層での学習を可能にする – B2T connection は Post-LN の利点を維持する • 実験に⽤いる⾃然⾔語処理タスク – 6 層と 18 層のエンコーダ・デコーダで実験 – 機械翻訳︓WMT 英-独 • 訓練データ︓WMT 450 万⽂対（広く使われているデータ） • 評価︓2010-2016 の BLEU の平均 – ⾒出し⽂⽣成（⽣成型要約タスク） • English Gigaword から抽出したニュースの1⽂⽬から⾒出し⽂を⽣成 • 訓練データ︓Gigaword + REALNEWS + NewsCrawl から構築した 1300 万⽂対 • 評価︓1951 ⽂対のROUGE値 12
機械翻訳タスクの結果 • あ 13 学習 失敗 6層エンコーダ・デコーダ 18層エンコーダ・デコーダ Post-LN は Pre-LN よりも⾼い性能 B2T connection は Post-LN と同程度の性能 B2T connection は 学習に成功 性能も他の⼿法より⾼い
⾒出し⽂⽣成タスクの結果 • あ 14 学習 失敗 6層エンコーダ・デコーダ 18層エンコーダ・デコーダ Post-LN は Pre-LN よりも⾼い性能 B2T connection は Post-LN と同程度の性能 B2T connection は 学習に成功 性能も他の⼿法より⾼い
他のモダリティ︓⾳声認識での実験 • データセット︓LibriSpeech（1000時間の英語⾳声） • ⼿法︓6層，12層のエンコーダ（デコーダは6層に固定） • 評価︓dev と test の単語誤り率の平均（低いほど良い） 15 6層エンコーダ・デコーダ 12層エンコーダ・6層デコーダ 学習 失敗
まとめ • 背景︓Transformer は LN の位置によって 2種 • 問題︓Post-LN は多層にした際の学習が不安定 – LN により勾配消失が発⽣する • 本研究の貢献 – Post-LN は Pre-LN より性能が⾼いことを⽰した – Post-LN の利点を維持し多層化可能な⼿法を提案 • 学習を安定させる要因，Post-LN の利点の要因を探った – 複数タスクでの実験を通して上記を⽰した 16

More Related Content

Transformerを多層にする際の勾配消失問題と解決法について

  • 2. Transformer の構造と本研究のまとめ • Transformer は Layer Normalization (LN) の位置で2種に⼤別される 2 Post-LN Pre-LN Residual 後に Layer Norm 本研究の貢献 ・Post-LN と Pre-LN の性能差を実験的に⽰す ・多層 Post-LN の学習が難しい原因を⽰す ・⾼い性能を維持しつつ多層化する⼿法を提案 性能 多層化 Post-LN ○ × Pre-LN × ○ B2T（提案⼿法） ○ ○ × N × N Layer Norm Attention FFN Layer Norm Layer Norm Attention FFN Layer Norm Layer Norm Attention × N × N Attention Layer Norm Layer Norm FFN Layer Norm (a) Post-LN Layer Norm + Attention Layer Norm + FFN Layer Norm + Attention Layer Norm + Attention Layer Norm + FFN Layer Norm Attention FFN Layer Norm Layer Norm Attention FFN Layer Norm Layer Norm Attention × N × N Attention Layer Norm Layer Norm Attention Layer Norm Layer Norm FFN Attention Layer Norm × N × N FFN Layer Norm Layer Norm Layer Norm Attention FFN Layer Norm Layer N Attenti FFN Layer N Layer N Attenti × N × (a) Post-LN (b) Pre-LN (c) Post-LN with B2T connec Layer Norm Attention FFN Layer Norm Layer Norm Attention FFN Layer Norm Layer Norm Attention × N × N Attention Layer Norm Layer Norm Attention Layer Norm Layer Norm FFN Attention Layer Norm × N × N FFN Layer Norm Layer Norm Layer Norm Attention FFN Layer Norm Layer Norm Attention FFN Layer Norm Layer Norm Attention × N × N (a) Post-LN (b) Pre-LN (c) Post-LN with B2T connection 関数適⽤前に Layer Norm
  • 3. 性能を上げるために多層にしたい • 性能はパラメータ数に対数⽐例する • パラメータ数をどう増やす︖ – 中間層の次元数を増やす or 多層にする 3 Transformer エンコーダ・デコーダの翻訳でのBLEU 値 次元数を増やすよりも 多層にした⽅が性能が⾼い （性能向上の傾きが良さそう） → 多層にしたい 6層 6層 （次元数増） 18層
  • 4. 多層 Post-LN の学習は難しい • 多層 Post-LN（例えば 18層）は学習が難しい – 勾配消失によって学習が進まない • 18層 Transformer エンコーダ・デコーダの翻訳タスクでの挙動 4 訓練 Loss 開発データでの Loss エンコーダ側 デコーダ側 各層の勾配のノルム Post-LN は訓練 Loss が下がらない 開発データの Loss も⾼いまま デコーダ側で勾配消失が発⽣ 101 100 10-1 10-1 100
  • 5. 勾配消失の原因は LN • 勾配消失の原因を探る – デコーダの18層⽬の各位置における勾配のノルムを調べる 5 Layer Norm Attention FFN Layer Norm Layer Norm Attention (4) → (3)，(2) → (1) で勾配が⼤きく減衰 → LN をまたぐと勾配が⼤きく減衰 → LN が勾配を減衰させる → LN が勾配消失の原因
  • 6. Pre-LN は何故学習できるのか︖ • Pre-LN は LN の影響を受けない勾配がある – LN の影響を受けない＝勾配が減衰しない • Post-LN と Pre-LN の式を確認する – ⼊⼒を x，アテンションやFFNを とすると 6 前向き計算 勾配 in performance and remove unstable training property, and thus provide better performance than Pre-LN re- gardless of their layer sizes. 2. Post-LN and Pre-LN Transformers We briefly describe Post-LN and Pre-LN Transformers. The original Transformer (Vaswani et al., 2017) uses Post-LN in which layer normalizations are located after each residual connection. Let x be an input of sub-layer, and F(·) be a sub-layer of Transformers such as a feed-forward network and multi-head attention. Post-LN is defined as follows: PostLN(x) = LN(x + F(x)), (1) where LN(·) is the layer normalization function. In contrast, Pre-LN places the layer normalization before an input of each sub-layer; for ials the ish- ing, rtic- cant the ayer yses with- nce we mers dual me- ayer tion age the nts; 2. Our modifications enable Post-LN Transformers to stack many layers. 3. Our method can maintain the advantage of Post-LN in performance and remove unstable training property, and thus provide better performance than Pre-LN re- gardless of their layer sizes. 2. Post-LN and Pre-LN Transformers We briefly describe Post-LN and Pre-LN Transformers. The original Transformer (Vaswani et al., 2017) uses Post-LN in which layer normalizations are located after each residual connection. Let x be an input of sub-layer, and F(·) be a sub-layer of Transformers such as a feed-forward network and multi-head attention. Post-LN is defined as follows: PostLN(x) = LN(x + F(x)), (1) where LN(·) is the layer normalization function. In contrast, Pre-LN places the layer normalization before an input of each sub-layer; PreLN(x) = x + F(LN(x)). (2) -LN prevents it as shown in Figure 1. In partic- rify that the layer normalization is a significant vanishing gradient problem by comparing the t vector norms of gradient flows for each layer on during back-propagation. These analyses ovel idea that can satisfy higher stability with- ormalizations and provide better performance N regardless of their layer sizes. Specifically, we method that is based on Post-LN Transformers different components; 1. additional residual and 2. simple layers without model parame- onstant values) as the replacement of the layer ons. experiments on a wide range of text generation y machine translation, summarization, language nd automatic speech recognition. We obtain the hree new major findings from our experiments; gardless of their layer sizes. 2. Post-LN and Pre-LN Transformers We briefly describe Post-LN and Pre-LN Transformers. The original Transformer (Vaswani et al., 2017) uses Post-LN in which layer normalizations are located after each residual connection. Let x be an input of sub-layer, and F(·) be a sub-layer of Transformers such as a feed-forward network and multi-head attention. Post-LN is defined as follows: PostLN(x) = LN(x + F(x)), (1) where LN(·) is the layer normalization function. In contrast, Pre-LN places the layer normalization before an input of each sub-layer; PreLN(x) = x + F(LN(x)). (2) 13 based er for WMT Trans- 10 Figure 5. Cosine similarities among outputs of each layer. norms are exponentially decayed as back-propagated to shallower layers. This result is consistent with the previous study (Liu et al., 2020). We consider that this vanishing gradient causes the difficulty in stacking many layers with the Post-LN setting as shown in Figure 1. To explore more details of the vanishing gradient empiri- cally, we check gradient norms of parts (1) - (5) in Figure 2 (a). Figure 4 shows the gradient norms of each part at 18th layer. This figure indicates that the gradient norms from (4) to (3) and (2) to (1) drastically decrease. These parts cor- respond to layer normalizations as in Figure 4. Thus, layer normalizations in Post-LN Transformers probably cause the vanishing gradient problem. To investigate the difference of gradient flows between Post- LN and Pre-LN theoretically, we calculate derivatives of equations (1) and (2). The derivatives are as follows: @PostLN(x) @x = @LN(x + F(x)) @(x + F(x)) ✓ I + @F(x) @x ◆ , (3) @PreLN(x) @x = I + @F(LN(x)) @LN(x) @LN(x) @x , (4) where I is the identity matrix. As Equation (3), the deriva- tive of Post-LN is equal to the product of two derivatives; one is the layer normalization, and the other consists of the residual connection and sub-layer F. In contrast, in Pre-LN, Layer Norm Attention FFN Layer Norm Layer Norm Attention Gradient norms of each location in the 18th decoder for yered Post-LN Transformer encoder-decoder on WMT o-German translation training data. 2 (a) and (b) illustrate Post-LN and Pre-LN Trans- architectures respectively. dients of Transformer Layers norms are exponentially decayed as back-propagated to shallower layers. This result is consistent with the previous study (Liu et al., 2020). We consider that this vanishing gradient causes the difficulty in stacking many layers with the Post-LN setting as shown in Figure 1. To explore more details of the vanishing gradient empiri- cally, we check gradient norms of parts (1) - (5) in Figure 2 (a). Figure 4 shows the gradient norms of each part at 18th layer. This figure indicates that the gradient norms from (4) to (3) and (2) to (1) drastically decrease. These parts cor- respond to layer normalizations as in Figure 4. Thus, layer normalizations in Post-LN Transformers probably cause the vanishing gradient problem. To investigate the difference of gradient flows between Post- LN and Pre-LN theoretically, we calculate derivatives of equations (1) and (2). The derivatives are as follows: @PostLN(x) @x = @LN(x + F(x)) @(x + F(x)) ✓ I + @F(x) @x ◆ , (3) @PreLN(x) @x = I + @F(LN(x)) @LN(x) @LN(x) @x , (4) where I is the identity matrix. As Equation (3), the deriva- tive of Post-LN is equal to the product of two derivatives; one is the layer normalization, and the other consists of the residual connection and sub-layer F. In contrast, in Pre-LN, the derivative of the residual connection is isolated from the term related to the derivative of the layer normalization. The Post-LN Pre-LN LN の微分から独⽴した項 → 勾配の維持に貢献 LN の微分との積 → 勾配が減衰 Residual が LN を迂回
  • 7. Pre-LN で良いのでは︖ • Pre-LN は多層にしたときの学習が安定 – 近年の多層なモデル（例︓GPT）はPre-LN • しかし Pre-LN は性能が低い – Post-LN は学習が成功した場合 Pre-LN より⾼性能 • 6層 Transformer エンコーダ・デコーダの性能⽐較 7 Post-LN Post-LN Pre-LN Pre-LN 翻訳（WMT英-独）でのBLEU ⾒出し⽂⽣成でのROUGE-1
  • 8. Post-LN は何故性能が⾼い︖ • Post-LNは各層で⼊⼒を⼤きく変換できる – 各層のパラメータを効果的に使えている • 各層の出⼒間のコサイン類似度を調査 – ⾚︓類似度が⾼い – ⻘︓類似度が低い 8 On Layer Normalizations and Residual Connections in Transformers 13 101 10-1 100 (a) Encoder side (b) Decoder side 101 10-1 100 Gradient norms of 18 layered Transformer-based decoder architectures. (a) Post-LN (b) Pre-LN (c) B2T connection Encoder Decoder Figure 5. Cosine similarities among outputs of each layer. On Layer Normalizations and Residual Connections in Transformers 13 101 10-1 100 de (b) Decoder side 101 10-1 100 s of 18 layered Transformer-based ures. 10 (a) Post-LN (b) Pre-LN (c) B2T connection Encoder Decoder Figure 5. Cosine similarities among outputs of each layer. norms are exponentially decayed as back-propagated to Post-LN Pre-LN Post-LN は1層⽬と最終層の出⼒ の類似度が低い（⾏列の左下） → ⼊⼒を⼤きく変換できる Pre-LN は何故類似度が⾼い︖ → Residual が LN を迂回する → ⼊⼒ x が出⼒に直結する
  • 9. 提案⼿法︓B2T Connection • Post-LN の⾼い性能を維持しつつ多層化したい • 何が必要か︖ 1. 勾配消失を防ぐ︓LN をなるべく迂回する 2. ⼊⼒が出⼒に直結することを防ぐ︓各層で⼊⼒を変換する 9 n m m Attention Layer Norm Layer Norm FFN Attention Layer Norm N × N m Layer Norm Layer Norm Attention FFN Layer Norm Layer Norm Attention FFN Layer Norm Layer Norm Attention × N × N (b) Pre-LN (c) Post-LN with B2T connection 造．(a) は Post-LN，(b) は Pre-LN，(c) は Post-LN に提案手法を組み せたものである． 101 提案⼿法︓⾚字の Residual Connection を追加 各層の下から上までの経路︓Bottom-to-Top Connection 1. 各層の最後の LN 以外を迂回する → LN による勾配の減衰を抑制 2. 最後の LN は⼊⼒にも適⽤
  • 10. 提案⼿法の効果 • 提案⼿法（B2T connection）を導⼊した場合 10 Attention Layer Norm Layer Norm Attention Layer Norm Attention Pre-LN (c) Post-LN with B2T connection a) は Post-LN，(b) は Pre-LN，(c) は Post-LN に提案手法を組み ものである． 11 100 101 101 10-1 100 (a) Encoder side (b) Decoder side 図 3 Transformer エンコーダ・デコーダの勾配のノルム． 示したように多層 Post-LN の学習を不安定にしてい ると考えられる． 勾配消失の詳細な原因を知るため，図 2(a) の (1) - (5) における勾配のノルムを調査した．図 4 は 18 層 4 WMT 英-独で学習した際の 18 層の Post-LN におけ る 18 層目のデコーダの各位置における勾配のノルム． (a) Post-LN (b) Pre-LN (c) B2T connection Encoder Decoder 図 5 各層からの出力間のコサイン類似度． 5 提案手法：B2T Connection 本節では Post-LN の高い性能を維持したまま多層 エンコーダ側 デコーダ側 18層 Transformer エンコーダ・デコーダの 各層の勾配のノルム 提案⼿法は勾配消失を防いでいる Post-LN Pre-LN B2T connection Post-LNと同様の変換の性質 → ⾼い性能が期待できる
  • 11. 関連研究 • DLCL [Wang+ 19]︓各層からの出⼒の重み付き和を⼊⼒ – L 追加での学習パラメータが必要 • Admin [Liu+ 20]︓出⼒の分散を抑制するパラメータ導⼊ – L 追加での計算コストが発⽣ • 追加パラメータの初期化のために学習前に前向き計算が必要 • Post-LN をベースにしていれば性能は同程度（と思われる） – 提案⼿法は追加のパラメータ・計算コストなしに多層化が可能 11
  • 12. 実験 • 実験を通して⽰すこと – Post-LN は学習が成功すれば Pre-LN よりも性能が⾼い – 提案⼿法（B2T connection）は多層での学習を可能にする – B2T connection は Post-LN の利点を維持する • 実験に⽤いる⾃然⾔語処理タスク – 6 層と 18 層のエンコーダ・デコーダで実験 – 機械翻訳︓WMT 英-独 • 訓練データ︓WMT 450 万⽂対（広く使われているデータ） • 評価︓2010-2016 の BLEU の平均 – ⾒出し⽂⽣成（⽣成型要約タスク） • English Gigaword から抽出したニュースの1⽂⽬から⾒出し⽂を⽣成 • 訓練データ︓Gigaword + REALNEWS + NewsCrawl から構築した 1300 万⽂対 • 評価︓1951 ⽂対のROUGE値 12
  • 13. 機械翻訳タスクの結果 • あ 13 学習 失敗 6層エンコーダ・デコーダ 18層エンコーダ・デコーダ Post-LN は Pre-LN よりも⾼い性能 B2T connection は Post-LN と同程度の性能 B2T connection は 学習に成功 性能も他の⼿法より⾼い
  • 14. ⾒出し⽂⽣成タスクの結果 • あ 14 学習 失敗 6層エンコーダ・デコーダ 18層エンコーダ・デコーダ Post-LN は Pre-LN よりも⾼い性能 B2T connection は Post-LN と同程度の性能 B2T connection は 学習に成功 性能も他の⼿法より⾼い
  • 15. 他のモダリティ︓⾳声認識での実験 • データセット︓LibriSpeech（1000時間の英語⾳声） • ⼿法︓6層，12層のエンコーダ（デコーダは6層に固定） • 評価︓dev と test の単語誤り率の平均（低いほど良い） 15 6層エンコーダ・デコーダ 12層エンコーダ・6層デコーダ 学習 失敗
  • 16. まとめ • 背景︓Transformer は LN の位置によって 2種 • 問題︓Post-LN は多層にした際の学習が不安定 – LN により勾配消失が発⽣する • 本研究の貢献 – Post-LN は Pre-LN より性能が⾼いことを⽰した – Post-LN の利点を維持し多層化可能な⼿法を提案 • 学習を安定させる要因，Post-LN の利点の要因を探った – 複数タスクでの実験を通して上記を⽰した 16