原文標題：《 Transformer 一樣思考！DeepMind 發(fā)布全新模型設工具 Tracr：從可解釋邏輯反向搭建模》代碼直接編成 Transformer 模型，做實驗未如此輕松！可解釋性」一是深度學習難繞過的難題，戶無法理解模的運行機制，就無法放心地模型應用到實場景中。最近自蘇黎世聯(lián)邦工學院和 DeepMind 的研究人員提了一種全新的型構(gòu)造工具 Tracr，直接由人來根據(jù)「知的機制」針不同任務編寫碼，然后由 Tracr 編譯成模型的權(quán)重讓模型的解釋得更輕松！論鏈接：https://arxiv.org/ pdf / 2301.05062.pdf代碼鏈接：https://github.com/ deepmind / tracrTracr 的輸入為采用領域定語言 RASP 編寫的代碼，輸出為標準、僅包含解碼的、類似 GPT 的 Transformer 結(jié)構(gòu)的權(quán)重。在實驗蛫分研究人員使用 Tracr 創(chuàng)建了一系列 ground truth Transformers，實現(xiàn)了包括計算 token 頻率、排序和 Dyck-n 括號檢查等程序。如解釋模型？可釋性是理解機學習模型的重手段，但由于型的實際運行式仍然不清晰所以目前的研成果大多難以估。其中一個作機理可解釋（Mechanistic interpretability）嘗試對神經(jīng)網(wǎng)絡進行白鹿向程（reverse engineering）來對模型實的算法給出一機理上的解釋并在一系列任中取得進展，括用于圖像分的卷積神經(jīng)網(wǎng)，Transformer 語言模型等。但方法仍然存在關(guān)工具少、對型機制解釋不、仍然需要研人員進行創(chuàng)造的解釋等問題評估機理解釋標準方法結(jié)合許多臨時實驗證據(jù)，然而，于這樣做的成很高，許多方只能在玩具模中進行評估，在真實模型中少數(shù)不重要的 circuits 上進行評估。Tracr 的解決方案則，通過將人類讀的代碼「編」成神經(jīng)網(wǎng)絡權(quán)重，直接解缺乏基礎機理釋的問題。也是說，Tracr 實際上起到的就是類似編器的作用。Tracr 中主要涉及三個組件1. RASP 代碼RASP 即 Restricted Access Sequence Processing Language，是 2021 年提出的一個用于表達 Transformer 計算的語言，可以作為算模型用來描 Transformers，并配有相應的釋器運行 RASP 代碼?？梢园?RASP 程序視為一個計算圖，當根給定的輸入 token 序列時，圖上的每節(jié)點都會取一特定值。RASP 語言中包括兩個基本諸懷節(jié)類型；序列操（Sequence Operations，s-op），返回輸入值的 token 序列及 indices 序列；元素操作（Elementwise operations）；選擇-聚合操作等。在大多孟槐況下，可以將 RASP 操作直接映射到 Transformer 模型的組件上，包括 embedding, MLP 層和 Attention 層。2. 對 RASP 語言的修改雖然 RASP 的操作可以直接映射 Transformers 中，但仍然需對 RASP 語言進行修改對模型權(quán)重進翻譯。3. craft，Transformer 的匯編語言如果說 RASP 算是編譯的高級語言，么 craft 就是匯編語言，它提供了比純權(quán)重矩陣上作更多的抽象。craft 可以表示具有維度（basis dimensions）的向量空間，及相應的操作，以用基方向的簽來定義投影其他線性操作重要的是，craft 抽象化了跟蹤權(quán)重矩中的填充的需。Tracr: Transformer 編譯器Tracr 的代碼使用 Python 進行編寫，并 RASP 實現(xiàn)嵌入到 Python 中，從而可以在 Python 中直接編寫 RASP 程序，比較方便地對鶌鶋編碼（variable encoding）進行標注。在 Tracr 中，RASP 程序是一個數(shù)據(jù)構(gòu)，通過向每操作傳遞依賴系來逐步構(gòu)建同時對 RASP 程序做了一些基本的化蛇化Tracr 將 RASP 程序翻譯成 Transformer 權(quán)重的過程主要包括六步驟：1. 構(gòu)建計算圖追蹤個程序以創(chuàng)建個代表計算過的有向圖。對輸出的 s-op，圖中包括表示 tokens 和 indices 的 source 節(jié)點，和代表出 s-op 的 sink 節(jié)點。2. 推理 s-op 值對于每個 s-op，需要決定如何將其瞿如到剩余流中；了使用類別編，需要知道一 s-op 可以取哪些值。為計算是確定，基于有限的入詞匯量和上文大小，所有點都有一組有的輸出值。所第二步的主要作就是對圖進遍歷，并為每節(jié)點標注出其能的輸出；標使用簡單的啟式方法，確保到的是 s-op 值集合的超集。3. 獨立地翻譯 s-ops獨立考慮計算圖中的每個點，并將其轉(zhuǎn)為一個 craft 組件；元素操作翻譯為 MLP 塊，選擇-聚合操作翻譯為注意力塊使用人工設計 MLP 和注意力模塊庫來似數(shù)字和分類入和輸出的任函數(shù)；將具有類輸入和輸出 MLPs 作為查找表使；有數(shù)字輸入和出的 MLP 使用基于通用數(shù)近似定理的確結(jié)構(gòu)。對于意層，把選擇翻譯成??_{????} 運算符，把相應的聚合算翻譯成??_{????} 運算符。目前只支持分類輸入的注力。4. 把組件分配到層上了構(gòu)建一個 Transformer 模型，需要將計算圖的所有 craft 組件分配給各層。理猙況下，目標是到最小的模型進行所需的計，但一般可以其表述為一個有幾個約束條的組合優(yōu)化問：Transformer 結(jié)構(gòu)具有交替的意力和 MLP 層，而且所有相互依賴的計都需要有正確順序。出于范上的考慮，可用啟發(fā)式方法決這個問題。先，計算出從入到一個給定點的最長路徑其路徑長度是以分配給該節(jié)的層數(shù)的一個限；然后應用外的啟發(fā)式方，將層與可以行計算的塊結(jié)起來。這種方可以返回一個確但有時是次的層分配。5. 構(gòu)造一個 craft 模型直接對模型組的輸入和輸出間進行求和作構(gòu)建的殘差流間（residual stream space ）。換句話說，將每個 s-op 嵌入到它自己的正子空間中，這子空間在整個絡中只保留給使用。然后按層分配決定的序遍歷計算圖并將組件堆疊來，得到一個 craft 表示的完整 Transformer。6. 組裝 Transformer 權(quán)重最后，將模型的 craft 表示轉(zhuǎn)換為具體的模型重。首先把并的 MLP 層合并為一個層再把并行的注力頭合并為一層。其中在注層中，把??_{????} 和??_{????} 矩陣分成????、???、????、????量矩陣。然后整所有權(quán)重的狀，并將其連到 Transformer 架構(gòu)中就可以斷出模型配置深度、層寬、差流大小等）以適應所創(chuàng)建元素。只需重實現(xiàn)步驟 6，就可以直接將 Tracr 擴展到支持任何他 Transformer 的實現(xiàn)。在可釋性研究中的用Tracr 可以加速受控驗的驗證過程以測試關(guān)于 Transformer 的計算結(jié)構(gòu)的特定假；通過這種方，它也相當于了可解釋性研的實驗平臺。究人員對 token 計數(shù)、排序等例子編了 RASP 程序?？山忉?工具的測試案編譯的模型可很自然地作為試「解釋忠實」的基礎，并供了一種偽造解釋性技術(shù)給的解釋的方法發(fā)展到最后，些模型可以被來建立可解釋工具的測試案庫，反過來又以實現(xiàn)定量的價指標。替換型組件評估對型如何工作的解的另一種方是用手工編碼組件替換模型部分內(nèi)容。例有研究人員通用他們自己理化的實現(xiàn)來替模型的組件以試他們對 Transformer 如何實現(xiàn)模塊化加法的解，結(jié)果發(fā)現(xiàn)思路可以提高游任務的性能相當于有力地明了所提出的釋是正確的。然 Tracr 是將一個算法編譯成一鳴蛇完的 Transformer 模型，但也可通過修改代碼整為只編譯訓模型中的一部，從而使得更易評估對大型型的理解。理模型現(xiàn)象和開新技術(shù)除了評之外，編譯的型可以作為研 circuits 級別現(xiàn)象和開發(fā)解釋 Transformer 模型新方法的試驗臺參考資料：https://arxiv.org/pdf/2301.05062.pdf本文來自微信公號：新智元 （ID：AI_era）