|
|
原标题：DeepMind“反向”搭建Transformer办法火了：由可解释顺序设计AI，名目已开源
萧箫 发自 凹非寺
量子位 | 大众号 QbitAI
先搭个模型，成果好就试着解释它，是咱们常见的AI设计套路。
但，有人曾经受够了这样“稀里糊涂”的流程——
既然人类老是试图解释AI模型，那为何不克不及反过去，间接用 看得懂的顺序来设计AI模型权重呢？
这样做出来的模型，既晋升了它的 可解释性，又升高了设计架构的繁杂度。
aqtp2xcplgh.jpg
这是DeepMind针对Transformer模型设计的最新工具，被po到网上后爆火：
5e34bweu5o4.jpg
有网友诧异表现：
这真无意思。它也许是第一个能将代码 （软件1.0）变模型 （软件2.0）的零碎。
展开全文 这真无意思。它也许是第一个能将代码 （软件1.0）变模型 （软件2.0）的零碎。
av0naqcvdji.jpg
所以它到底是如何完成的？
将可读代码转变为AI权重的“编译器”
这个将可读性较高的代码“翻译”成Transformer模型的工具，名叫 Tracr。
详细来讲，它有点像是一个“ 编译器”，晓得将一种名叫RASP （Restricted Access Sequence Processing Language）的编程言语转换成Transformer模型权重。
RASP，是此前在ICLR 2021一篇论文中提出的“编程言语”，专门按照Transformer架构 （编解码器-留意力机制等）设计。
Tracr则在此根底上更进一步，不只简略优化了原本的RASP言语，并且能将基于RASP编写的顺序很好地转换为Transformer模型的权重。
详细来讲，Tracr会先将“编程言语”RASP转换成“汇编言语”craft，后者表现向量空间以及此间的对应操作，再进一步地，将craft转变为“机器码”模型权重。
05t22p5zx4j.jpg
详细完成进程如下，一共分为5步：
据一作引见，Tracr最大的亮点在于，能够“从0开始搭建你本人的Transformer模型”。
还提出了配套紧缩办法
不外，基于Tracr打造的模型可能效力很低，因此作者们又提出了一种配套的“ 紧缩”办法。
基于案例来看，这类办法不只能让Tracr模型更高效，并且允许将D维特点紧缩到小于D维的特点空间中。
例如这是基于RASP言语编写的顺序示例：
在对模型进行紧缩后，一样能很好地实现原来的工作，且成果相差不大：
hsepiucxml5.jpg
与此同时也能包管一个不错的精度：
bnlc5afjnlv.jpg
目前对应的Tracr模型曾经开源，感兴致的小火伴们能够去查看一波~
作者引见
论文作者们分别来自DeepMind和苏黎世联邦理工学院。
一作David Lindner，苏黎世联邦理工学院在读博士生，这份任务是他在DeepMind实习期间实现，目前感兴致的钻研标的目的是AI鲁棒性、强化学习等。
1js0hs0nqhs.jpg
你想好用它设计一个怎么样的Transformer模型了吗？
论文地址：
http://arxiv.org/abs/2301.05062
名目地址：
http://github.com/deepmind/tracr
— 完—
「人工智能」、「智能汽车」微信社群邀你参加！
欢送关注人工智能、智能汽车的小火伴们参加交流群，与AI从业者交流、切磋，不错过最新行业开展&技术停顿。
PS. 加好友请务必备注您的姓名-公司-职位噢 ~
点这里 ?关注我，记得标星哦～
一键三连「分享」、「点赞」和「在看」
科技前沿停顿日日相见 ~ |
|
中级会员