近几年，随着业内“大力出奇迹”的趋势，Transformer的模型参数量也是水涨船高。

不过，当参数从数百万增加至数十亿，甚至数万亿，性能实现相应提升时，Transformer的深度也受到了训练不稳定的限制。

至少，还没有优化方法能在Transformer扩展至上千层的同时，还保证其稳定性。

但现在，微软研究院一篇论文出手，直接将Transformer提升到了1000层：

所采用的方法，甚至只需要修改几行代码就能完成。

LSTM之父， 获得IEEE CIS 2021年神经网络先驱奖的Sepp Hochreiter也转发了这项研究：

接下来，我们就来一起看看这一方法到底是如何做到的。

几行代码提升至1000层

要解决不稳定优化的问题，首先要知道其原因。

论文认为，这种不稳定性源于训练开始时“爆炸式”的模型更新。

这会使模型陷入一种局部最优状态，增加每个LN（Layer Normalization）的输入量，通过LN的梯度会随着训练变得越来越小，从而导致梯度消失，使模型难以摆脱一开始的局部最优状态。

最终破坏了优化的稳定性。

因此，基于这一问题，开发者残差连接处引入了一个新的归一化函数，DeepNorm：

DeepNorm在执行层归一化之前up-scale了残差连接，在不同架构下具有不同的参数：

这一函数将Post-LN的良好性能和Pre-LN的稳定训练高效结合了起来，最终将Transformer扩展到2500个注意力和前馈网络子层（即1000层）比以前的模型深度高出一个数量级。

将DeepNorm方法应用到Transformer的每一个子层中，就得到了一个全新的DeepNet模型。

事实证明，相较于已有的优化方法Post-LN，DeepNet的模型更新几乎保持恒定：

除此之外，开发者也将DeepNet与NormFormer、ReZero、DS-init等多个Transformer模型进行比较，结果在WMT-17 En-De数据集上，DeepNet在多个深度上都效果最好：

与Facebook AI的M2M模型（120亿参数量、48层）相比，DeepNet（32亿参数量、200层）实现了5 BLEU值的提升。

最后，论文作者之一的董力也现身说明，整体而言，这一研究的价值就是：

1、扩展到1000层增加深度是为了探究上限

2、DeepNorm方法对浅层的Transformer也有稳定作用

作者介绍

论文两位共同一作Hongyu Wang和Shuming Ma，其中Hongyu Wang为微软研究院的一名实习生，并在此期间完成了论文。

而Shuming Ma（马树铭）本科和研究生皆毕业于北京大学，2019年加入微软亚洲研究院，现在是NLP组的一名研究员。

通讯作者为微软亚洲研究院NLP小组的首席研究员韦福如，2004年和2009年从武汉大学计算机科学系获得理学士学位和博士学位，曾任职于IBM中国研究中心。

论文：
https://arxiv.org/abs/2203.00555

“