摘要
我们评估了三种以归一化为核心的简单改进方法，以提升Transformer的训练效果。首先，我们表明，采用预归一化残差连接（PreNorm）并配合较小的初始化策略，可实现无需预热（warmup-free）、基于验证集的训练，并支持较大的学习率。其次，我们提出一种仅含单个缩放参数的ℓ₂归一化方法（ScaleNorm），该方法能够加速训练过程并提升模型性能。最后，我们再次验证了将词嵌入归一化为固定长度（FixNorm）的有效性。在基于TED Talks语料库的五个低资源翻译任务上，上述改进均能保证模型稳定收敛，平均相比当前最优的双语基线模型提升1.1 BLEU，且在IWSLT'15英语-越南语任务上创下32.8的新高BLEU得分。我们观察到，模型性能曲线更为陡峭，梯度范数更加稳定，并且激活值的缩放与解码器深度之间呈现出线性关系。令人意外的是，在高资源场景（WMT'14英语-德语）下，ScaleNorm与FixNorm仍保持竞争力，而PreNorm则导致性能下降。