【NLP】Universal Transformers詳解
上一篇transformer寫了整整兩週。。解讀太慢了。。主要是自己也在理解，而且沒有時間看原始碼，非常慚愧，如果哪裡說錯了希望大佬們可以提醒一下
之前細細研究了attention和transformer之後，universal transformer讀了一遍就理解了，缺乏之前基礎的童鞋們請先移步：
Universal Transformer的產生是因為Transformer在實踐上和理論上的兩個缺點（參考上篇文章），universal代表的是computationally universal，即圖靈完備（參考Transformer詳解第三節）。主要的改動就是加上了迴圈，但不是時間上的迴圈，而是depth的迴圈。注意到Transformer模型其實分別用了6個layer，是fixed depth，而universal中應用了一個機制對迴圈的次數進行控制。
1. 模型結構
模型的結構還是和傳統Transformer很相似，這裡就不重複解讀了，主要講一下universal transformer的幾點改動：
1.1 Recurrent機制
在Transformer中，input在經過multihead self-attention後會進入fully connected層，這裡則進入了Transition層，通過一個共享權重的transition function繼續迴圈計算：
這裡縱向的position指的就是一個序列中各個symbol的位置（也就是在rnn中的time step），橫向的time指的主要是計算上的先後順序，比如一個序列
這樣，每個self-attention+transition的輸出 可以表示為：
這裡Transition function可以和之前一樣是fully-connected layer，也可以是separable convolution layer。
1.2 Coordinate embeddings
Transformer的positional embedding只用考慮symbol的position就可以了，這裡又多了一個time維度，所以每一次迴圈都會重新做一次coordinate embedding，圖上沒有表示出來，需要看原始碼確認一下。Embedding公式如下：
暫時還沒想清楚為什麼這麼運算，想清楚了說一下。。
1.3 Adaptive Computation Time (ACT)
ACT可以調整計算步數，加入ACT機制的Universal transformer被稱為Adaptive universal transformer。要注意的細節是，每個position的ACT是獨立的，如果一個position a在t時刻被停止了， 會被一直複製到最後一個position停止，當然也會設定一個最大時間，避免死迴圈。
2. 總結
Universal Transformer對transformer的缺點進行了改進，在問答、語言模型、翻譯等任務上都有更好的效果，成為了新的seq2seq state-of-the-art模型。它的關鍵特性主要有兩點：
- Weight sharing：歸納偏置是關於目標函式的假設，CNN和RNN分別假設spatial translation invariace和time translation invariance，體現為CNN卷積核在空間上的權重共享和RNN單元在時間上的權重共享，所以universal transformer也增加了這種假設，使recurrent機制中的權重共享，在增加了模型表達力的同時更加接近rnn的inductive bias。
- Conditional computation：通過加入ACT控制模型的計算次數，比固定depth的universal transformer取得了更好的結果
細讀下來，還是有很多細節值得深挖，我淺挖了一下，各位感興趣的再去多看看
劃重點：computationally universal, inductive bias, coordinate embedding
以上。
【參考資料】：