摘要
长短期记忆网络（LSTMs）和其他递归神经网络（RNN）变体在字符级语言建模中表现出色。这些模型通常使用截断时间反向传播进行训练，人们普遍认为它们的成功源于其能够记住长期上下文的能力。在本文中，我们展示了具有固定上下文的深度（64层）变换器模型显著优于RNN变体，在两个流行的基准测试中达到了最先进的水平：text8上的每字符1.13比特和enwik8上的每字符1.06比特。为了在如此深的网络中获得良好的结果，我们证明了在中间网络层和中间序列位置添加辅助损失的重要性。
长短期记忆网络（LSTMs）和其他递归神经网络（RNN）变体在字符级语言建模中表现出色。这些模型通常使用截断时间反向传播进行训练，人们普遍认为它们的成功源于其能够记住长期上下文的能力。在本文中，我们展示了具有固定上下文的深度（64层）变换器模型显著优于RNN变体，在两个流行的基准测试中达到了最先进的水平：text8上的每字符1.13比特和enwik8上的每字符1.06比特。为了在如此深的网络中获得良好的结果，我们证明了在中间网络层和中间序列位置添加辅助损失的重要性。