Gated CNN:卷积门控

paper： Language Modeling with Gated Convolutional Networks

这篇论文提出了一种基于卷积的语言模型，使用简化的门控机制来提升效率。与传统的循环神经网络（RNN）相比，这种方法可以并行处理序列，从而显著降低计算延迟。尽管它是有限上下文模型，但在处理长依赖时依然表现出色，在WikiText-103和Google Billion Words等大规模数据集上取得了优异的表现，是首个能与RNN竞争的非循环方法。

什么是Gated CNN？

Gated CNN的核心思想是使用卷积层代替循环结构。与RNN相比，卷积层的计算可以并行，这让Gated CNN能够更快地处理长文本。同时，通过堆叠卷积层，模型可以捕捉更大的上下文，尽管它的上下文范围是有限的，但在实践中已证明这种方法可以达到甚至超越RNN的表现。

Gated CNN的工作原理

Gated CNN的基本流程如下：

词嵌入表示：首先，输入句子中的每个词都会被表示为一个词向量（word embedding）。这个向量包含了词的语义信息，是模型理解上下文的基础。

卷积操作与门控：词向量作为输入，经过多层卷积操作。在每一层卷积中，输出门会为每个词分配权重，用于控制信息的传递强度。卷积层的输出会根据输出门的权重进行筛选，只有重要的信息才能被有效地传递到下一层。

叠加卷积层：通过多层卷积的叠加，模型能够扩展感受野，从而在有限的卷积层中捕捉较大的上下文信息。这个过程相当于从局部到全局的逐步理解，使模型不仅能关注到邻近的词，还能感知到整个句子结构。

残差连接：为了保证信息传递的稳定性，Gated CNN引入了残差连接（Residual Connection），即每一层的输入都会直接添加到输出中，避免信息在多层传递过程中丢失。残差连接的存在可以提高模型的深度和稳定性。

自适应Softmax：在最后的输出层，Gated CNN使用了一种改进的softmax函数——自适应softmax。自适应softmax会根据词的频率调整计算资源的分配，为高频词分配更多容量，为低频词分配更少容量。这一改进有效降低了内存需求，并加快了训练和测试的速度。

$$h_l(X)=(X\ast W+b)\odot \sigma (X\ast V+c)$$

其中：

• $X$ 是输入特征图，表示每层的输入数据；
• $W$和 $V$是可学习的卷积核参数，控制不同特征的生成；
• $b$ 和 $c$是偏置项；
• $\sigma$是 sigmoid 函数，将输出压缩到 0 到 1 之间，公式为：
  $$\sigma (x)=\frac{1}{1+e^{-x}}$$
• $\ast$ 表示卷积操作；
• $\odot$表示逐元素乘积，用来实现门控机制。

Gated Linear Unit（GLU）VS Gated Tanh Unit（GTU）

Gated CNN采用了门控线性单元（Gated Linear Unit, GLU）而不是传统的门控 Tanh 单元（Gated Tanh Unit, GTU）。GLU不使用 tanh 函数，而直接使用 𝑋 本身。因为tanh会将信息压缩到 -1 到 1 的范围，这会导致多层叠加时信息逐渐消失。而GLU通过直接使用 𝑋保持了信息的强度，帮助梯度在多层间稳定地传播。

举例说明

首先

将每个词转换为向量表示（词嵌入）。假设每个词被嵌入到一个 4 维向量空间中。句子中的词变成以下形式：
“我” → $[0.2,0.5,0.1,0.3]$
“喜欢” → $[0.6,0.7,0.2,0.5]$
“喝” → $[0.3,0.4,0.9,0.2]$
“咖啡” → $[0.8,0.3,0.7,0.6]$

将这些词嵌入组合起来，我们得到输入矩阵 $X$：

$X=\left[\begin{array}{cccc}0.2& 0.5& 0.1& 0.3\\ 0.6& 0.7& 0.2& 0.5\\ 0.3& 0.4& 0.9& 0.2\\ 0.8& 0.3& 0.7& 0.6\end{array}\right]$

步骤 2：卷积操作与门控机制

每一层中，模型会对 $X$ 进行卷积操作，并通过门控机制选择性地传递信息。

假设我们在卷积层有两个卷积核 $W$ 和 $V$，分别用于生成主要特征和门控信号：

卷积核 $W$ 用于提取主要特征。假设 $W$ 的大小为 $2\times 4$。
卷积核 $V$ 用于生成门控信号。同样假设 $V$ 的大小为 $2\times 4$。

步骤 3: 卷积生成特征图：

使用 $W$ 卷积 $X$，加上偏置项 $b$，生成主要特征图：$X\ast W+b$。
使用 $V$ 卷积 $X$，加上偏置项 $c$，生成门控信号：$X\ast V+c$。

4. 门控机制：将门控信号通过 sigmoid 函数压缩到 0 到 1 之间：

$\sigma (X\ast V+c)$

然后对主要特征和门控信号逐元素相乘，实现选择性信息传递：

$h_l(X)=(X\ast W+b)\odot \sigma (X\ast V+c)$

假设我们得到了以下结果：

主要特征图 $X\ast W+b$：$\left[\begin{array}{ccc}0.5& 0.80.3& 0.7\end{array}\right]$
门控信号 $\sigma (X\ast V+c)$：$\left[\begin{array}{ccc}0.9& 0.10.7& 0.8\end{array}\right]$
则输出 $h_l(X)$ 为：

$h_l(X)=\left[\begin{array}{cc}0.5\times 0.9& 0.8\times 0.1\\ 0.3\times 0.7& 0.7\times 0.8\end{array}\right]=\left[\begin{array}{cc}0.45& 0.08\\ 0.21& 0.56\end{array}\right]$

5.堆叠卷积层（层次化的上下文捕捉）

堆叠卷积层的主要目的是通过逐层扩展感受野（即模型感知上下文的范围），从而逐步捕捉整个句子的上下文信息。在每一层中，模型会卷积输入特征并经过门控机制进行筛选。

假设我们堆叠了 3 层卷积，每层的感受野会逐渐增加：

第 1 层卷积：该层卷积只能捕捉到局部上下文。对于“我喜欢喝咖啡”这句话，第 1 层可能只能看到相邻的两个词。假设该层输出主要关注“我”和“喜欢”。

第 2 层卷积：这层的感受野扩大了一些，可能能够覆盖整个短语“喜欢喝”。因此，该层能够识别到“喜欢”和“喝”之间的关系，并进一步理解用户在描述一个动作。

第 3 层卷积：随着层数加深，感受野已经扩展到整个句子。此时模型可以关注到完整的句子“我喜欢喝咖啡”的含义，并更好地理解上下文，为下一个词的预测提供更完整的信息。

经过堆叠卷积，模型能够逐层提取特征，从相邻词组到整个句子的理解逐步加深，实现了层次化的上下文捕捉。

6.残差连接

在多层卷积的堆叠过程中，信息传递可能会因为层数的增加而逐渐衰减甚至丢失。为了解决这个问题，Gated CNN 引入了残差连接，也就是说，每层的输出都加入了该层的输入。

7. 自适应Softmax输出

模型的最后一步是通过 Softmax 层 来计算每个词的概率，输出最有可能的下一个词。但对于像语言模型这样的大词汇量任务，标准 Softmax 的计算成本很高，因为它需要为每个词计算概率。

自适应 Softmax 是一种改进的 Softmax 方法，它将词汇按出现频率分成不同的组：

高频词（如“的”、“是”、“在”）分配更多计算资源，因为它们在训练和预测中出现频率更高。
低频词（如“珊瑚礁”、“阿尔茨海默”）分配较少计算资源，从而节省内存和计算量。
在我们的例子中，假设我们有以下词汇预测候选：

高频词：如“茶”、“糖”
中频词：如“牛奶”
低频词：如“奶昔”
自适应 Softmax 会将“茶”和“糖”分配更多资源，以更快计算其概率。对于“奶昔”这种低频词，自适应 Softmax 会减少分配的计算资源，因此在大词汇量的情况下仍能保持较快的处理速度。

Gated CNN的优势

• 并行计算：卷积网络天然支持并行化，这让Gated CNN的训练速度远超RNN。在处理长文本时，Gated CNN可以同时处理多个词，大大提升了计算效率。
• 层次化信息筛选：通过输出门的选择性传递，Gated CNN能够从多层卷积中筛选出最重要的信息，避免冗余内容的传递。
• 减轻梯度消失问题：门控机制不仅带来了非线性能力，还提供了信息传递的直接路径，减轻了多层模型中的梯度消失问题。
• 低内存需求：自适应softmax对不同频率的词进行区别对待，为高频词分配更多的计算资源，降低了模型的计算量和内存占用。