原文標題《像 Transformer 一樣思考DeepMind 發(fā)布全新模設計工具 Tracr：從可解邏輯反向建模型》碼直接編成 Transformer 模型，做實從未如此松！「可釋性」一是深度學難以繞過難題，用無法理解型的運行制，也就法放心地模型應用實際場景。最近來蘇黎世聯(lián)理工學院 DeepMind 的研究人提出了一全新的模構造工具 Tracr，直接由來根據(jù)「知的機制針對不同務編寫代，然后由 Tracr 編譯成模型的權重讓模型的釋變得更松！論文接：https://arxiv.org/ pdf / 2301.05062.pdf代碼鏈接：https://github.com/ deepmind / tracrTracr 的輸入為采用域特定語 RASP 編寫的代碼，輸出標準的、包含解碼的、類似 GPT 的 Transformer 結構的權重。實驗部分研究人員用 Tracr 創(chuàng)建了一系列 ground truth Transformers，實現(xiàn)了括計算 token 頻率、排和 Dyck-n 括號檢查等序。如何釋模型？解釋性是解機器學模型的重手段，但于模型的際運行方仍然不清，所以目的研究成大多難以估。其中個工作機可解釋性Mechanistic interpretability）嘗試對神經(jīng)絡進行逆工程（reverse engineering）來對模型實現(xiàn)算法給出個機理上解釋，并一系列任中取得進，包括用圖像分類卷積神經(jīng)絡，Transformer 語言模型等但該方法然存在相工具少、模型機制釋不深、然需要研人員進行造性的解等問題。估機理解的標準方結合了許臨時實驗證據(jù)，然，由于這做的成本高，許多法只能在具模型中行評估，在真實模中的少數(shù)重要的 circuits 上進行評估。Tracr 的解決方則是，通將人類可的代碼「譯」成神網(wǎng)絡的權，直接解缺乏基礎理解釋的題。也就說，Tracr 實際上起到的是類似編器的作用Tracr 中主要涉及三個組：1. RASP 代碼RASP 即 Restricted Access Sequence Processing Language，是 2021 年提出的一個用表達 Transformer 計算的語，可以作計算模型來描述 Transformers，并配有相應的解器運行 RASP 代碼。可以 RASP 程序視為一個計算，當根據(jù)定的輸入 token 序列時，圖上的每節(jié)點都會一個特定。RASP 語言中包括兩個基的節(jié)點類；序列操（Sequence Operations，s-op），返回入值的 token 序列及 indices 序列；元素操作Elementwise operations）；選擇-聚合操作等。在多數(shù)情況，可以將 RASP 操作直接射到 Transformer 模型的組上，包括 embedding, MLP 層和 Attention 層。2. 對 RASP 語言的修雖然 RASP 的操作可以直映射到 Transformers 中，但仍然需要 RASP 語言進行修改以對型權重進翻譯。3. craft，Transformer 的匯編語言果說 RASP 算是編譯的高語言，那 craft 就是匯編語言，提供了比純權重矩上操作更的抽象性craft 可以表示具有基維（basis dimensions）的向量空間，其相應的作，可以基方向的簽來定義影或其他性操作。要的是，craft 抽象化了蹤權重矩中的填充需要。Tracr: Transformer 編譯器Tracr 的代碼使用 Python 進行編寫，將 RASP 實現(xiàn)嵌入到 Python 中，從而以在 Python 中直接編 RASP 程序，比較方便地變量編碼variable encoding）進行標注。在 Tracr 中，RASP 程序是一個數(shù)結構，通向每個操傳遞依賴系來逐步建，同時 RASP 程序做了一些基本簡化。Tracr 將 RASP 程序翻譯成 Transformer 權重的過程要包括六步驟：1. 構建計算圖追蹤整程序以創(chuàng)一個代表算過程的向圖。對輸出的 s-op，圖中包括表 tokens 和 indices 的 source 節(jié)點，和代表輸 s-op 的 sink 節(jié)點。2. 推理 s-op 值對于每個 s-op，需要決定如何其嵌入到余流中；了使用類編碼，需知道一個 s-op 可以取哪值。因為算是確定，基于有的輸入詞量和上下大小，所節(jié)點都有組有限的出值。所第二步的要操作就對圖進行歷，并為個節(jié)點標出其可能輸出；標使用簡單啟發(fā)式方，確保找的是 s-op 值集合的超集3. 獨立地翻譯 s-ops獨立考慮計圖中的每節(jié)點，并其轉(zhuǎn)化為個 craft 組件；元素操翻譯為 MLP 塊，選擇-聚合操作翻譯注意力塊使用人工計的 MLP 和注意力模塊庫近似數(shù)字分類輸入輸出的任函數(shù)；將有分類輸和輸出的 MLPs 作為查找使；帶有字輸入和出的 MLP 使用基于通用函近似定理明確結構對于注意，把選擇翻譯成??_{????} 運算符，相應的聚運算翻譯??_{????} 運算符。目前只持對分類入的注意。4. 把組件分配層上為了建一個 Transformer 模型，需要將計算中的所有 craft 組件分配給各層。想情況下目標是找最小的模來進行所的計算，一般可以其表述為個具有幾約束條件組合優(yōu)化題：Transformer 結構具有交的注意力 MLP 層，而且有相互依的計算都要有正確順序。出范圍上的慮，可以啟發(fā)式方解決這個題。首先計算出從入到一個定節(jié)點的長路徑，路徑長度可以分配該節(jié)點的數(shù)的一個限；然后用額外的發(fā)式方法將層與可并行計算塊結合起。這種方可以返回個正確但時是次優(yōu)層分配。5. 構造一個 craft 模型直接對模組件的輸和輸出空進行求和為構建的差流空間residual stream space ）。換句話說，每個 s-op 嵌入到它自己正交子空中，這個空間在整網(wǎng)絡中只留給它使。然后按層分配決的順序遍計算圖，將組件堆起來，得一個用 craft 表示的完 Transformer。6. 組裝 Transformer 權重最后，將模型 craft 表示轉(zhuǎn)換為具體模型權重首先把并的 MLP 層合并為一個層，把并行的意力頭合為一個層其中在注層中，把?_{????} 和??_{????} 矩陣分成???、????、???、????量矩陣。后調(diào)整所權重的形，并將其接到 Transformer 架構中就以推斷出型配置（度、層寬殘差流大等），以應所創(chuàng)建元素。只重新實現(xiàn)驟 6，就可以直接 Tracr 擴展到支持任何他 Transformer 的實現(xiàn)。在解釋性研中的應用Tracr 可以加速控實驗的證過程，測試關于 Transformer 的計算結構的特假設；通這種方式它也相當成了可解性研究的驗平臺。究人員對 token 計數(shù)、排序等例子寫了 RASP 程序?？山忉?工具的測案例編譯模型可以自然地作測試「解忠實性」基礎，并供了一種造可解釋技術給出解釋的方。發(fā)展到后，這些型可以被來建立可釋性工具測試案例，反過來可以實現(xiàn)量的評價標。替換型組件評對模型如工作的理的另一種法是用手?編碼的組替換模型部分內(nèi)容例如有研人員通過他們自己想化的實來替換模的組件以試他們對 Transformer 如何實現(xiàn)模塊化法的理解結果發(fā)現(xiàn)思路可以高下游任的性能，當于有力證明了所出的解釋正確的。然 Tracr 是將一個算法譯成一個整的 Transformer 模型，但可以通過改代碼調(diào)為只編譯練模型中一部分，而使得更易評估對型模型的解。理解型現(xiàn)象和發(fā)新技術了評估之，編譯的型可以作研究 circuits 級別現(xiàn)象和開發(fā)釋 Transformer 模型新方法試驗臺。考資料：https://arxiv.org/pdf/2301.05062.pdf本文來自信公眾號新智元 （ID：AI_era）