Google开源模块化多任务训练库T2T，最近重要论文的模型全在里面

量子位 · 公众号 · AI · 2017-06-20 12:52

正文

Google Brain团队昨天发布的“一个模型学会一切”论文背后，有一个用来训练MultiModel模型的模块化多任务训练库：Tensor2Tensor。

今天，Google Brain高级研究员Łukasz Kaiser就在官方博客上发文，详细介绍了新开源的T2T库。

以下内容编译自Google Research的官方博客：

深度学习推动了许多技术的快速发展，例如机器翻译、语音识别和对象检测。在科研领域，人们可以查找作者开源的代码，从而复现他们的研究成果，推动深度学习技术的进一步发展。

然而，这些深度学习系统大部分都采用了独特配置，需要大量的工程开发，并且可能只适用于特定的问题或架构，导致很难尝试新的实验并比较结果。

今天，我们很高兴发布Tensor2Tensor (T2T)，一个用于在TensorFlow中训练深度学习模型的开源系统。

T2T有助于开发顶尖水平的模型，并适用各类机器学习应用，例如翻译、分析和图像标注等。这意味着，对各种不同想法的探索要比以往快得多。

此次发布的这个版本还提供了由数据集和模型构成的库文件，包括近期几篇论文中最优秀的模型 (文末列举了这几篇论文) ，从而推动你自己的深度学习研究。

为了证明T2T可以带来的改进，我们将库文件应用于机器翻译。正如上表所显示的，两个不同的T2T模型，SliceNet和Transformer，超过了此前表现最好的系统GNMT+MoE。

我们最优秀的T2T模型Transformer，比标准GNMT模型高出3.8分，而GNMT自身要比作为基准的翻译系统MOSES高出4分。

值得注意的是，通过T2T，你可以使用单个GPU，在一天时间里获得此前最漂亮的结果：小规模Transformer模型基于单个GPU在一天的训练后获得了24.9 BLEU。

目前，所有拥有GPU的研究者都可以自行探索最强大的翻译模型。我们在Github上介绍了如何去做。

T2T库利用TensorFlow工具来开发，定义了一个深度学习系统中需要的多个部分：数据集、模型架构、优化工具、学习速率衰减计划，以及超参数等等。

最重要的是，T2T在所有这些部分之间实现了标准接口，并配置了当前机器学习的最佳行为方式。

因此，你可以选择任意数据集、模型、优化工具，以及一套超参数，随后运行训练，看看效果如何。

我们实现了架构的模块化，因此输入数据和预期输出结果之间所有部分都是张量到张量的函数。

如果你对模型的架构有新想法，那么不需要替换所有设置。你可以保留嵌入的部分，用自己的函数来替换模型体。这样的函数以张量为输入，并返回张量。

这意味着T2T很灵活，训练不再局限于特定模型或数据集。

这也非常简单，例如知名的LSTM序列到序列模型可以用几十行代码来定义。你也可以用不同类型的多任务来训练单个模型。在一定的限制下，单个模型甚至可以使用所有数据集来训练。