陈桦 编译自 Google Research Blog
量子位 报道 | 公众号 QbitAI
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。
模块化的多任务训练
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。
例如，我们的MultiModel模型用这种方式在T2T中进行了训练，在许多任务中取得了良好的结果。这一模型使用的训练数据集包括ImageNet(图像分类)、MS COCO(图像标注)、WSJ(语音识别)、WMT(翻译)，以及Penn Treebank分析语料库。
这是首次证明，单个模型能同时执行所有这些任务。
内置的最佳行为方式
在最初版本中，我们还提供了脚本，用于生成在研究领域广泛使用的数据集，少量模型，大量的超参数配置，以及其他一些技巧的配置。
考虑一下这样的任务：将英语语句解析为语法选区树。这个问题的研究已有几十年历史，并诞生了许多有竞争力的解决办法。这可以被视为一个序列到序列问题，并使用神经网络来解决。不过，这需要大量的调节优化。通过T2T，我们只需几天时间，就可以添加解析数据集生成器，并调整我们的注意力转换模型，针对这个问题来训练。惊喜的是，我们在一周时间里就取得了很好的结果。
相关资源
Tensor2Tensor GitHub：
https://github.com/tensorflow/tensor2tensor
Google Research Blog原文：
https://research.googleblog.com/2017/06/accelerating-deep-learning-research.html
文中提到“近期几篇论文中最优秀的模型”，这几篇论文分别是：
Attention Is All You Need
https://arxiv.org/abs/1706.03762
Depthwise Separable Convolutions for Neural Machine Translation
https://arxiv.org/abs/1706.03059
One Model to Learn Them All
https://arxiv.org/abs/1706.05137
【完】
一则通知
量子位正在组建自动驾驶技术群，面向研究自动驾驶相关领域的在校学生或一线工程师。欢迎大家加量子位微信(qbitbot)，备注“自动驾驶”申请加入哈~
招聘
量子位正在招募编辑记者、运营、产品等岗位，工作地点在北京中关村。相关细节，请在公众号对话界面，回复：“招聘”。
△ 扫码强行关注『量子位』
追踪人工智能领域最劲内容
