Provided proper attribution is provided, Google hereby grants permission to reproduce the tables and figures in this paper solely for use in journalistic or scholarly works.
---
Si se proporciona la atribución adecuada, Google otorga por la presente permiso para reproducir las tablas y figuras de este artículo únicamente para su uso en trabajos periodísticos o académicos.
---
# Attention Is All You Need
---
# La atención es todo lo que necesitas
---
\textbf{Ashish Vaswani}$^{*}$
Google Brain
avaswani@google.com
\textbf{Llion Jones}$^{*}$
Google Research
llion@google.com
Noam Shazeer$^*$
Google Brain
noam@google.com
\textbf{Niki Parmar}\*
Google Research
nikip@google.com
Jakob Uszkoreit$^{*}$
Google Research
usz@google.com
**Aidan N. Gomez$^{* \; \dagger}$**
University of Toronto
aidan@cs.toronto.edu
Łukasz Kaiser*
Google Brain
lukaszkaiser@google.com
\textbf{Illia Polosukhin}$^{* \; \ddagger}$
illia.polosukhin@gmail.com
## Abstract
---
## Resumen
---
The dominant sequence transduction models are based on complex recurrent or convolutional neural networks that include an encoder and a decoder. The best performing models also connect the encoder and decoder through an attention mechanism. We propose a new simple network architecture, the Transformer, based solely on attention mechanisms, dispensing with recurrence and convolutions entirely. Experiments on two machine translation tasks show these models to be superior in quality while being more parallelizable and requiring significantly less time to train. Our model achieves 28.4 BLEU on the WMT 2014 English-to-German translation task, improving over the existing best results, including ensembles, by over 2 BLEU. On the WMT 2014 English-to-French translation task, our model establishes a new single-model state-of-the-art BLEU score of 41.8 after training for 3.5 days on eight GPUs, a small fraction of the training costs of the best models from the literature. We show that the Transformer generalizes well to other tasks by applying it successfully to English constituency parsing both with large and limited training data.
---
Los modelos dominantes de transducción de secuencias se basan en redes neuronales recurrentes o convolucionales complejas que incluyen un codificador y un decodificador. Los modelos con mejor rendimiento también conectan el codificador y el decodificador a través de un mecanismo de atención. Proponemos una nueva arquitectura de red simple, el Transformer, basada únicamente en mecanismos de atención, eliminando por completo la recurrencia y las convoluciones. Los experimentos en dos tareas de traducción automática muestran que estos modelos son superiores en calidad, además de ser más paralelizables y requerir significativamente menos tiempo de entrenamiento. Nuestro modelo alcanza un BLEU de 28.4 en la tarea de traducción inglés-alemán del WMT 2014, mejorando los resultados existentes mejores, incluyendo conjuntos, en más de 2 BLEU. En la tarea de traducción inglés-francés del WMT 2014, nuestro modelo establece un nuevo estado del arte de puntuación BLEU para un único modelo de 41.8 después de entrenar durante 3.5 días en ocho GPUs, una pequeña fracción de los costos de entrenamiento de los mejores modelos de la literatura. Mostramos que el Transformer generaliza bien a otras tareas al aplicarlo con éxito al análisis sintáctico constituyente del inglés tanto con grandes como con datos de entrenamiento limitados.
---
arXiv:1706.03762v7 [cs.CL] 2 Aug 2023
$^*$Equal contribution. Listing order is random. Jakob proposed replacing RNNs with self-attention and started the effort to evaluate this idea. Ashish, with Illia, designed and implemented the first Transformer models and has been crucially involved in every aspect of this work. Noam proposed scaled dot-product attention, multi-head attention and the parameter-free position representation and became the other person involved in nearly every detail. Niki designed, implemented, tuned and evaluated countless model variants in our original codebase and tensor2tensor. Llion also experimented with novel model variants, was responsible for our initial codebase, and efficient inference and visualizations. Lukasz and Aidan spent countless long days designing various parts of and implementing tensor2tensor, replacing our earlier codebase, greatly improving results and massively accelerating our research.
$^\dagger$Work performed while at Google Brain.
$^\ddagger$Work performed while at Google Research.
---
$^*$Contribución igualitaria. El orden de listado es aleatorio. Jakob propuso reemplazar las RNNs con autoatención e inició el esfuerzo para evaluar esta idea. Ashish, junto con Illia, diseñó e implementó los primeros modelos Transformer y ha estado crucialmente involucrado en cada aspecto de este trabajo. Noam propuso la atención de punto escalado por producto, la atención multi-cabeza y la representación posicional libre de parámetros, convirtiéndose en la otra persona involucrada en casi todos los detalles. Niki diseñó, implementó, ajustó y evaluó innumerables variantes de modelos en nuestra base de código original y en tensor2tensor. Llion también experimentó con nuevas variantes de modelos, fue responsable de nuestra base de código inicial, así como de la inferencia eficiente y las visualizaciones. Lukasz y Aidan pasaron incontables días largos diseñando varias partes e implementando tensor2tensor, reemplazando nuestra base de código anterior, mejorando enormemente los resultados y acelerando masivamente nuestra investigación.
$^\dagger$Trabajo realizado mientras estaba en Google Brain.
$^\ddagger$Trabajo realizado mientras estaba en Google Research.
---
## 1 Introduction
---
## 1 Introducción
---
Recurrent neural networks, long short-term memory [13] and gated recurrent [7] neural networks in particular, have been firmly established as state of the art approaches in sequence modeling and transduction problems such as language modeling and machine translation [35, 2, 5]. Numerous efforts have since continued to push the boundaries of recurrent language models and encoder-decoder architectures [38, 24, 15].
Recurrent models typically factor computation along the symbol positions of the input and output sequences. Aligning the positions to steps in computation time, they generate a sequence of hidden states $h_t$, as a function of the previous hidden state $h_{t-1}$ and the input for position $t$. This inherently sequential nature precludes parallelization within training examples, which becomes critical at longer sequence lengths, as memory constraints limit batching across examples. Recent work has achieved significant improvements in computational efficiency through factorization tricks [21] and conditional computation [32], while also improving model performance in case of the latter. The fundamental constraint of sequential computation, however, remains.
Attention mechanisms have become an integral part of compelling sequence modeling and transduction models in various tasks, allowing modeling of dependencies without regard to their distance in the input or output sequences [2, 19]. In all but a few cases [27], however, such attention mechanisms are used in conjunction with a recurrent network.
In this work we propose the Transformer, a model architecture eschewing recurrence and instead relying entirely on an attention mechanism to draw global dependencies between input and output. The Transformer allows for significantly more parallelization and can reach a new state of the art in translation quality after being trained for as little as twelve hours on eight P100 GPUs.
---
Las redes neuronales recurrentes, en particular las de memoria a largo plazo [13] y las recurrentes con puertas [7], se han consolidado firmemente como enfoques de vanguardia en problemas de modelado y transducción de secuencias, como el modelado del lenguaje y la traducción automática [35, 2, 5]. Desde entonces, numerosos esfuerzos han continuado ampliando los límites de los modelos de lenguaje recurrentes y las arquitecturas codificador-decodificador [38, 24, 15].
Los modelos recurrentes suelen factorizar el cálculo a lo largo de las posiciones de los símbolos en las secuencias de entrada y salida. Al alinear estas posiciones con pasos en el tiempo de cómputo, generan una secuencia de estados ocultos $h_t$, en función del estado oculto anterior $h_{t-1}$ y la entrada para la posición $t$. Esta naturaleza inherentemente secuencial impide la paralelización dentro de los ejemplos de entrenamiento, lo cual se vuelve crítico a longitudes de secuencia más largas, ya que las restricciones de memoria limitan el agrupamiento (batching) entre ejemplos. Trabajos recientes han logrado mejoras significativas en la eficiencia computacional mediante trucos de factorización [21] y cómputo condicional [32], mejorando también el rendimiento del modelo en el caso de este último. Sin embargo, la restricción fundamental del cómputo secuencial permanece.
Los mecanismos de atención se han convertido en una parte integral de los modelos de modelado y transducción de secuencias convincentes en diversas tareas, permitiendo modelar dependencias sin tener en cuenta su distancia en las secuencias de entrada o salida [2, 19]. No obstante, en todos menos unos pocos casos [27], estos mecanismos de atención se utilizan junto con una red recurrente.
En este trabajo proponemos el Transformer, una arquitectura de modelo que evita la recursión y depende exclusivamente de un mecanismo de atención para establecer dependencias globales entre la entrada y la salida. El Transformer permite una paralelización significativamente mayor y puede alcanzar un nuevo estado del arte en calidad de traducción después de ser entrenado durante tan solo doce horas en ocho GPUs P100.
---
## 2 Background
---
## 2 Antecedentes
---
The goal of reducing sequential computation also forms the foundation of the Extended Neural GPU [16], ByteNet [18] and ConvS2S [9], all of which use convolutional neural networks as basic building block, computing hidden representations in parallel for all input and output positions. In these models, the number of operations required to relate signals from two arbitrary input or output positions grows in the distance between positions, linearly for ConvS2S and logarithmically for ByteNet. This makes it more difficult to learn dependencies between distant positions [12]. In the Transformer this is reduced to a constant number of operations, albeit at the cost of reduced effective resolution due to averaging attention-weighted positions, an effect we counteract with Multi-Head Attention as described in section 3.2.
Self-attention, sometimes called intra-attention is an attention mechanism relating different positions of a single sequence in order to compute a representation of the sequence. Self-attention has been used successfully in a variety of tasks including reading comprehension, abstractive summarization, textual entailment and learning task-independent sentence representations [4, 27, 28, 22].
End-to-end memory networks are based on a recurrent attention mechanism instead of sequence-aligned recurrence and have been shown to perform well on simple-language question answering and language modeling tasks [34].
To the best of our knowledge, however, the Transformer is the first transduction model relying entirely on self-attention to compute representations of its input and output without using sequence-aligned RNNs or convolution. In the following sections, we will describe the Transformer, motivate self-attention and discuss its advantages over models such as [17, 18] and [9].
---
El objetivo de reducir la computación secuencial también constituye la base de la Extended Neural GPU [16], ByteNet [18] y ConvS2S [9], los cuales utilizan redes neuronales convolucionales como bloque básico, calculando representaciones ocultas en paralelo para todas las posiciones de entrada y salida. En estos modelos, el número de operaciones necesarias para relacionar señales procedentes de dos posiciones de entrada o salida arbitrarias crece con la distancia entre dichas posiciones, de forma lineal para ConvS2S y logarítmica para ByteNet. Esto dificulta aprender dependencias entre posiciones distantes [12]. En el Transformer esto se reduce a un número constante de operaciones, aunque a costa de una resolución efectiva reducida debido al promedio de posiciones ponderadas por atención, efecto que contrarrestamos mediante Atención Multi-Cabeza (Multi-Head Attention) como se describe en la sección 3.2.
La autoatención, a veces llamada intra-atención, es un mecanismo de atención que relaciona diferentes posiciones de una única secuencia con el fin de calcular una representación de dicha secuencia. La autoatención se ha utilizado con éxito en una variedad de tareas, incluyendo comprensión de lectura, resumen abstractivo, implicación textual y aprendizaje de representaciones de oraciones independientes de la tarea [4, 27, 28, 22].
Las redes de memoria end-to-end se basan en un mecanismo de atención recurrente en lugar de una recurrencia alineada con la secuencia y han demostrado un buen rendimiento en tareas de preguntas y respuestas con lenguaje simple y modelado del lenguaje [34].
Hasta donde sabemos, sin embargo, el Transformer es el primer modelo de transducción que depende exclusivamente de la autoatención para calcular representaciones de su entrada y salida, sin utilizar RNNs alineados con la secuencia ni convolución. En las siguientes secciones describiremos el Transformer, justificaremos la autoatención y discutiremos sus ventajas frente a modelos como [17, 18] y [9].
---
## 3 Model Architecture
---
## 3 Arquitectura del modelo
---
Most competitive neural sequence transduction models have an encoder-decoder structure [5, 2, 35]. Here, the encoder maps an input sequence of symbol representations $(x_1, ..., x_n)$ to a sequence of continuous representations $\mathbf{z} = (z_1, ..., z_n)$. Given $\mathbf{z}$, the decoder then generates an output sequence $(y_1, ..., y_m)$ of symbols one element at a time. At each step the model is auto-regressive [10], consuming the previously generated symbols as additional input when generating the next.
---
La mayoría de los modelos competitivos de transducción de secuencias neuronales tienen una estructura codificador-decodificador [5, 2, 35]. Aquí, el codificador mapea una secuencia de entrada de representaciones simbólicas $(x_1, ..., x_n)$ a una secuencia de representaciones continuas $\mathbf{z} = (z_1, ..., z_n)$. Dado $\mathbf{z}$, el decodificador genera entonces una secuencia de salida $(y_1, ..., y_m)$ de símbolos uno por uno. En cada paso, el modelo es autoregresivo [10], consumiendo los símbolos previamente generados como entrada adicional al generar el siguiente.
---
Figure 1: The Transformer - model architecture.
---
Figura 1: La arquitectura del modelo Transformer.
---
The Transformer follows this overall architecture using stacked self-attention and point-wise, fully connected layers for both the encoder and decoder, shown in the left and right halves of Figure 1, respectively.
---
El Transformer sigue esta arquitectura general utilizando capas apiladas de autoatención y capas completamente conectadas punto a punto tanto para el codificador como para el decodificador, mostradas respectivamente en las mitades izquierda y derecha de la Figura 1.
---
## 3.1 Encoder and Decoder Stacks
---
## 3.1 Pilas de codificador y decodificador
---
**Encoder:** The encoder is composed of a stack of $N = 6$ identical layers. Each layer has two sub-layers. The first is a multi-head self-attention mechanism, and the second is a simple, position-wise fully connected feed-forward network. We employ a residual connection [11] around each of the two sub-layers, followed by layer normalization [1]. That is, the output of each sub-layer is $\text{LayerNorm}(x + \text{Sublayer}(x))$, where $\text{Sublayer}(x)$ is the function implemented by the sub-layer itself. To facilitate these residual connections, all sub-layers in the model, as well as the embedding layers, produce outputs of dimension $d_{\text{model}} = 512$.
**Decoder:** The decoder is also composed of a stack of $N = 6$ identical layers. In addition to the two sub-layers in each encoder layer, the decoder inserts a third sub-layer, which performs multi-head attention over the output of the encoder stack. Similar to the encoder, we employ residual connections around each of the sub-layers, followed by layer normalization. We also modify the self-attention sub-layer in the decoder stack to prevent positions from attending to subsequent positions. This masking, combined with fact that the output embeddings are offset by one position, ensures that the predictions for position $i$ can depend only on the known outputs at positions less than $i$.
---
**Codificador:** El codificador está compuesto por una pila de $N = 6$ capas idénticas. Cada capa tiene dos subcapas. La primera es un mecanismo de autoatención multi-cabeza, y la segunda es una red feed-forward completamente conectada y posicional simple. Empleamos una conexión residual [11] alrededor de cada una de las dos subcapas, seguida de normalización por capa [1]. Es decir, la salida de cada subcapa es $\text{LayerNorm}(x + \text{Sublayer}(x))$, donde $\text{Sublayer}(x)$ es la función implementada por la propia subcapa. Para facilitar estas conexiones residuales, todas las subcapas del modelo, así como las capas de incrustación (embedding), producen salidas de dimensión $d_{\text{model}} = 512$.
**Decodificador:** El decodificador también está compuesto por una pila de $N = 6$ capas idénticas. Además de las dos subcapas en cada capa del codificador, el decodificador inserta una tercera subcapa, que realiza atención multi-cabeza sobre la salida de la pila del codificador. Al igual que en el codificador, empleamos conexiones residuales alrededor de cada una de las subcapas, seguidas de normalización por capa. También modificamos la subcapa de autoatención en la pila del decodificador para evitar que las posiciones presten atención a posiciones subsiguientes. Este enmascaramiento, combinado con el hecho de que las incrustaciones de salida están desplazadas una posición, asegura que las predicciones para la posición $i$ puedan depender únicamente de las salidas conocidas en posiciones menores que $i$.
---
## 3.2 Attention
---
## 3.2 Atención
---
An attention function can be described as mapping a query and a set of key-value pairs to an output, where the query, keys, values, and output are all vectors. The output is computed as a weighted sum
---
Una función de atención puede describirse como una asignación que mapea una consulta y un conjunto de pares clave-valor a una salida, donde la consulta, las claves, los valores y la salida son todos vectores. La salida se calcula como una suma ponderada
---
Figure 2: (left) Scaled Dot-Product Attention. (right) Multi-Head Attention consists of several attention layers running in parallel.
---
Figura 2: (izquierda) Atención de producto punto escalado. (derecha) La atención multi-cabeza consiste en varias capas de atención que se ejecutan en paralelo.
---
of the values, where the weight assigned to each value is computed by a compatibility function of the query with the corresponding key.
---
de los valores, donde el peso asignado a cada valor se calcula mediante una función de compatibilidad entre la consulta y la clave correspondiente.
---
## 3.2.1 Scaled Dot-Product Attention
---
## 3.2.1 Atención de producto punto escalado
---
We call our particular attention "Scaled Dot-Product Attention" (Figure 2). The input consists of queries and keys of dimension $d_k$, and values of dimension $d_v$. We compute the dot products of the query with all keys, divide each by $\sqrt{d_k}$, and apply a softmax function to obtain the weights on the values.
In practice, we compute the attention function on a set of queries simultaneously, packed together into a matrix $Q$. The keys and values are also packed together into matrices $K$ and $V$. We compute the matrix of outputs as:
$$
\text{Attention}(Q, K, V) = \text{softmax}(\frac{QK^T}{\sqrt{d_k}})V \tag{1}
$$
The two most commonly used attention functions are additive attention [2], and dot-product (multiplicative) attention. Dot-product attention is identical to our algorithm, except for the scaling factor of $\frac{1}{\sqrt{d_k}}$. Additive attention computes the compatibility function using a feed-forward network with a single hidden layer. While the two are similar in theoretical complexity, dot-product attention is much faster and more space-efficient in practice, since it can be implemented using highly optimized matrix multiplication code.
While for small values of $d_k$ the two mechanisms perform similarly, additive attention outperforms dot product attention without scaling for larger values of $d_k$ [3]. We suspect that for large values of $d_k$, the dot products grow large in magnitude, pushing the softmax function into regions where it has extremely small gradients $^4$. To counteract this effect, we scale the dot products by $\frac{1}{\sqrt{d_k}}$.
---
Llamamos nuestra atención particular a la "Atención de Producto Escalar" (Figura 2). La entrada consiste en consultas y claves de dimensión $d_k$, y valores de dimensión $d_v$. Calculamos los productos escalares de la consulta con todas las claves, dividimos cada uno por $\sqrt{d_k}$, y aplicamos una función softmax para obtener los pesos sobre los valores.
En la práctica, calculamos la función de atención sobre un conjunto de consultas simultáneamente, agrupadas en una matriz $Q$. Las claves y los valores también se agrupan en matrices $K$ y $V$. Calculamos la matriz de salidas como:
$$
\text{Attention}(Q, K, V) = \text{softmax}(\frac{QK^T}{\sqrt{d_k}})V \tag{1}
$$
Las dos funciones de atención más comúnmente utilizadas son la atención aditiva [2] y la atención de producto escalar (multiplicativa). La atención de producto escalar es idéntica a nuestro algoritmo, excepto por el factor de escala de $\frac{1}{\sqrt{d_k}}$. La atención aditiva calcula la función de compatibilidad utilizando una red feed-forward con una sola capa oculta. Aunque ambas tienen una complejidad teórica similar, la atención de producto escalar es mucho más rápida y eficiente en términos de espacio en la práctica, ya que puede implementarse utilizando código de multiplicación de matrices altamente optimizado.
Mientras que para valores pequeños de $d_k$ ambos mecanismos funcionan de manera similar, la atención aditiva supera a la atención de producto escalar sin escalado para valores más grandes de $d_k$ [3]. Sospechamos que para valores grandes de $d_k$, los productos escalares crecen en magnitud, empujando a la función softmax hacia regiones donde tiene gradientes extremadamente pequeños $^4$. Para contrarrestar este efecto, escalamos los productos escalares por $\frac{1}{\sqrt{d_k}}$.
---
## 3.2.2 Multi-Head Attention
---
## 3.2.2 Atención de múltiples cabezas
---
Instead of performing a single attention function with $d_{\text{model}}$-dimensional keys, values and queries, we found it beneficial to linearly project the queries, keys and values $h$ times with different, learned linear projections to $d_k$, $d_k$ and $d_v$ dimensions, respectively. On each of these projected versions of queries, keys and values we then perform the attention function in parallel, yielding $d_v$-dimensional
---
En lugar de realizar una única función de atención con claves, valores y consultas de dimensión $d_{\text{model}}$, hemos encontrado que es beneficioso proyectar linealmente las consultas, claves y valores $h$ veces mediante proyecciones lineales aprendidas diferentes hacia dimensiones $d_k$, $d_k$ y $d_v$, respectivamente. En cada una de estas versiones proyectadas de las consultas, claves y valores, realizamos entonces la función de atención en paralelo, produciendo resultados de dimensión $d_v$.
---
$^4$To illustrate why the dot products get large, assume that the components of $q$ and $k$ are independent random variables with mean 0 and variance 1. Then their dot product, $q \cdot k = \sum_{i=1}^{d_k} q_i k_i$, has mean 0 and variance $d_k$.
---
$^4$Para ilustrar por qué los productos escalares se vuelven grandes, supongamos que las componentes de $q$ y $k$ son variables aleatorias independientes con media 0 y varianza 1. Entonces su producto escalar, $q \cdot k = \sum_{i=1}^{d_k} q_i k_i$, tiene media 0 y varianza $d_k$.
---
output values. These are concatenated and once again projected, resulting in the final values, as depicted in Figure 2.
Multi-head attention allows the model to jointly attend to information from different representation subspaces at different positions. With a single attention head, averaging inhibits this.
$$
\begin{align}
\text{MultiHead}(Q, K, V) &= \text{Concat}(\text{head}_1, ..., \text{head}_{\text{h}})W^O \tag{6.1}\\
\text{where head}_i &= \text{Attention}(QW_i^Q, KW_i^K, VW_i^V) \tag{6.2}
\end{align}
$$
Where the projections are parameter matrices $W_i^Q \in \mathbb{R}^{d_{\text{model}} \times d_k}$, $W_i^K \in \mathbb{R}^{d_{\text{model}} \times d_k}$, $W_i^V \in \mathbb{R}^{d_{\text{model}} \times d_v}$ and $W^O \in \mathbb{R}^{hd_v \times d_{\text{model}}}$.
In this work we employ $h = 8$ parallel attention layers, or heads. For each of these we use $d_k = d_v = d_{\text{model}}/h = 64$. Due to the reduced dimension of each head, the total computational cost is similar to that of single-head attention with full dimensionality.
---
valores de salida. Estos se concatenan y una vez más se proyectan, dando lugar a los valores finales, como se muestra en la Figura 2.
La atención multi-cabeza permite al modelo atender conjuntamente a la información procedente de diferentes subespacios de representación en distintas posiciones. Con una única cabeza de atención, el promedio inhibe esto.
$$
\begin{align}
\text{MultiHead}(Q, K, V) &= \text{Concat}(\text{head}_1, ..., \text{head}_{\text{h}})W^O \tag{6.1}\\
\text{donde head}_i &= \text{Attention}(QW_i^Q, KW_i^K, VW_i^V) \tag{6.2}
\end{align}
$$
Donde las proyecciones son matrices de parámetros $W_i^Q \in \mathbb{R}^{d_{\text{model}} \times d_k}$, $W_i^K \in \mathbb{R}^{d_{\text{model}} \times d_k}$, $W_i^V \in \mathbb{R}^{d_{\text{model}} \times d_v}$ y $W^O \in \mathbb{R}^{hd_v \times d_{\text{model}}}$.
En este trabajo empleamos $h = 8$ capas de atención paralelas, o cabezas. Para cada una de ellas utilizamos $d_k = d_v = d_{\text{model}}/h = 64$. Debido a la reducción de la dimensión de cada cabeza, el coste computacional total es similar al de la atención de cabeza única con dimensionalidad completa.
---
## 3.2.3 Applications of Attention in our Model
---
## 3.2.3 Aplicaciones de la atención en nuestro modelo
---
The Transformer uses multi-head attention in three different ways:
* In "encoder-decoder attention" layers, the queries come from the previous decoder layer, and the memory keys and values come from the output of the encoder. This allows every position in the decoder to attend over all positions in the input sequence. This mimics the typical encoder-decoder attention mechanisms in sequence-to-sequence models such as [38, 2, 9].
* The encoder contains self-attention layers. In a self-attention layer all of the keys, values and queries come from the same place, in this case, the output of the previous layer in the encoder. Each position in the encoder can attend to all positions in the previous layer of the encoder.
* Similarly, self-attention layers in the decoder allow each position in the decoder to attend to all positions in the decoder up to and including that position. We need to prevent leftward information flow in the decoder to preserve the auto-regressive property. We implement this inside of scaled dot-product attention by masking out (setting to $-\infty$) all values in the input of the softmax which correspond to illegal connections. See Figure 2.
---
El Transformer utiliza la atención de múltiples cabezas de tres maneras diferentes:
* En las capas de "atención codificador-decodificador", las consultas provienen de la capa anterior del decodificador, y las claves y valores de memoria provienen de la salida del codificador. Esto permite que cada posición en el decodificador preste atención a todas las posiciones en la secuencia de entrada. Esto imita los mecanismos típicos de atención codificador-decodificador en modelos secuencia-a-secuencia como [38, 2, 9].
* El codificador contiene capas de autoatención. En una capa de autoatención, todas las claves, valores y consultas provienen del mismo lugar; en este caso, de la salida de la capa anterior en el codificador. Cada posición en el codificador puede prestar atención a todas las posiciones en la capa anterior del codificador.
* De manera similar, las capas de autoatención en el decodificador permiten que cada posición en el decodificador preste atención a todas las posiciones en el decodificador hasta e incluyendo esa posición. Es necesario prevenir el flujo de información hacia la izquierda en el decodificador para preservar la propiedad autoregresiva. Implementamos esto dentro de la atención de producto escalar escalado enmascarando (estableciendo en $-\infty$) todos los valores en la entrada de la función softmax que corresponden a conexiones ilegales. Véase la Figura 2.
---
## 3.3 Position-wise Feed-Forward Networks
---
## 3.3 Redes de alimentación hacia adelante por posición
---
In addition to attention sub-layers, each of the layers in our encoder and decoder contains a fully connected feed-forward network, which is applied to each position separately and identically. This consists of two linear transformations with a ReLU activation in between.
$$
\text{FFN}(x) = \max(0, xW_1 + b_1)W_2 + b_2 \tag{2}
$$
While the linear transformations are the same across different positions, they use different parameters from layer to layer. Another way of describing this is as two convolutions with kernel size 1. The dimensionality of input and output is $d_{\text{model}} = 512$, and the inner-layer has dimensionality $d_{ff} = 2048$.
---
Además de los subcapas de atención, cada una de las capas de nuestro codificador y decodificador contiene una red neuronal feed-forward completamente conectada, que se aplica de forma separada e idéntica a cada posición. Esta consiste en dos transformaciones lineales con una activación ReLU entre ellas.
$$
\text{FFN}(x) = \max(0, xW_1 + b_1)W_2 + b_2 \tag{2}
$$
Aunque las transformaciones lineales son las mismas en diferentes posiciones, utilizan parámetros distintos de una capa a otra. Otra forma de describir esto es como dos convoluciones con un tamaño de kernel de 1. La dimensionalidad de entrada y salida es $d_{\text{model}} = 512$, y la capa interna tiene una dimensionalidad de $d_{ff} = 2048$.
---
## 3.4 Embeddings and Softmax
---
## 3.4 Incrustaciones y Softmax
---
Similarly to other sequence transduction models, we use learned embeddings to convert the input tokens and output tokens to vectors of dimension $d_{\text{model}}$. We also use the usual learned linear transformation and softmax function to convert the decoder output to predicted next-token probabilities. In our model, we share the same weight matrix between the two embedding layers and the pre-softmax linear transformation, similar to [30]. In the embedding layers, we multiply those weights by $\sqrt{d_{\text{model}}}$.
---
De manera similar a otros modelos de transducción de secuencias, utilizamos incrustaciones aprendidas para convertir los tokens de entrada y los tokens de salida en vectores de dimensión $d_{\text{model}}$. También empleamos la transformación lineal aprendida habitual y la función softmax para convertir la salida del decodificador en probabilidades predichas del siguiente token. En nuestro modelo, compartimos la misma matriz de pesos entre las dos capas de incrustación y la transformación lineal previa al softmax, de forma análoga a [30]. En las capas de incrustación, multiplicamos dichos pesos por $\sqrt{d_{\text{model}}}$.
---
Table 1: Maximum path lengths, per-layer complexity and minimum number of sequential operations for different layer types. $n$ is the sequence length, $d$ is the representation dimension, $k$ is the kernel size of convolutions and $r$ the size of the neighborhood in restricted self-attention.
---
Tabla 1: Longitudes máximas de las rutas, complejidad por capa y número mínimo de operaciones secuenciales para diferentes tipos de capas. $n$ es la longitud de la secuencia, $d$ es la dimensión de la representación, $k$ es el tamaño del kernel de las convoluciones y $r$ el tamaño del vecindario en la autoatención restringida.
---
| Layer Type | Complexity per Layer | Sequential Operations | Maximum Path Length |
| :--- | :---: | :---: | :---: |
| Self-Attention | $O(n^2 \cdot d)$ | $O(1)$ | $O(1)$ |
| Recurrent | $O(n \cdot d^2)$ | $O(n)$ | $O(n)$ |
| Convolutional | $O(k \cdot n \cdot d^2)$ | $O(1)$ | $O(log_k(n))$ |
| Self-Attention (restricted) | $O(r \cdot n \cdot d)$ | $O(1)$ | $O(n/r)$ |
---
| Tipo de capa | Complejidad por capa | Operaciones secuenciales | Longitud máxima del camino |
| :--- | :---: | :---: | :---: |
| Autoatención | $O(n^2 \cdot d)$ | $O(1)$ | $O(1)$ |
| Recurrente | $O(n \cdot d^2)$ | $O(n)$ | $O(n)$ |
| Convolucional | $O(k \cdot n \cdot d^2)$ | $O(1)$ | $O(log_k(n))$ |
| Autoatención (restringida) | $O(r \cdot n \cdot d)$ | $O(1)$ | $O(n/r)$ |
---
## 3.5 Positional Encoding
---
## 3.5 Codificación posicional
---
Since our model contains no recurrence and no convolution, in order for the model to make use of the order of the sequence, we must inject some information about the relative or absolute position of the tokens in the sequence. To this end, we add "positional encodings" to the input embeddings at the bottoms of the encoder and decoder stacks. The positional encodings have the same dimension $d_{\text{model}}$ as the embeddings, so that the two can be summed. There are many choices of positional encodings, learned and fixed [9].
In this work, we use sine and cosine functions of different frequencies:
$$
\begin{align}
PE_{(pos,2i)} &= sin(pos/10000^{2i/d_{\text{model}}}) \\
PE_{(pos,2i+1)} &= cos(pos/10000^{2i/d_{\text{model}}})
\end{align}
$$
where $pos$ is the position and $i$ is the dimension. That is, each dimension of the positional encoding corresponds to a sinusoid. The wavelengths form a geometric progression from $2\pi$ to $10000 \cdot 2\pi$. We chose this function because we hypothesized it would allow the model to easily learn to attend by relative positions, since for any fixed offset $k$, $PE_{pos+k}$ can be represented as a linear function of $PE_{pos}$.
We also experimented with using learned positional embeddings [9] instead, and found that the two versions produced nearly identical results (see Table 3 row (E)). We chose the sinusoidal version because it may allow the model to extrapolate to sequence lengths longer than the ones encountered during training.
---
Dado que nuestro modelo no contiene recurrencia ni convolución, para que el modelo pueda aprovechar el orden de la secuencia, debemos inyectar cierta información sobre la posición relativa o absoluta de los tokens en la secuencia. Con este fin, añadimos "codificaciones posicionales" a las incrustaciones de entrada en la base de las pilas del codificador y del decodificador. Las codificaciones posicionales tienen la misma dimensión $d_{\text{model}}$ que las incrustaciones, de modo que ambas puedan sumarse. Existen muchas opciones de codificaciones posicionales, aprendidas y fijas [9].
En este trabajo, utilizamos funciones seno y coseno de diferentes frecuencias:
$$
\begin{align}
PE_{(pos,2i)} &= sin(pos/10000^{2i/d_{\text{model}}}) \\
PE_{(pos,2i+1)} &= cos(pos/10000^{2i/d_{\text{model}}})
\end{align}
$$
donde $pos$ es la posición e $i$ es la dimensión. Es decir, cada dimensión de la codificación posicional corresponde a un sinusoides. Las longitudes de onda forman una progresión geométrica desde $2\pi$ hasta $10000 \cdot 2\pi$. Elegimos esta función porque hipotetizamos que permitiría al modelo aprender fácilmente a atender mediante posiciones relativas, ya que para cualquier desplazamiento fijo $k$, $PE_{pos+k}$ puede representarse como una función lineal de $PE_{pos}$.
También experimentamos con el uso de incrustaciones posicionales aprendidas [9] en su lugar, y encontramos que ambas versiones producían resultados casi idénticos (ver fila (E) de la Tabla 3). Elegimos la versión sinusoidal porque podría permitir al modelo extrapolar a longitudes de secuencia mayores que aquellas encontradas durante el entrenamiento.
---
## 4 Why Self-Attention
---
## 4 Por qué la autoatención
---
In this section we compare various aspects of self-attention layers to the recurrent and convolutional layers commonly used for mapping one variable-length sequence of symbol representations $(x_1, ..., x_n)$ to another sequence of equal length $(z_1, ..., z_n)$, with $x_i, z_i \in \mathbb{R}^d$, such as a hidden layer in a typical sequence transduction encoder or decoder. Motivating our use of self-attention we consider three desiderata.
One is the total computational complexity per layer. Another is the amount of computation that can be parallelized, as measured by the minimum number of sequential operations required.
The third is the path length between long-range dependencies in the network. Learning long-range dependencies is a key challenge in many sequence transduction tasks. One key factor affecting the ability to learn such dependencies is the length of the paths forward and backward signals have to traverse in the network. The shorter these paths between any combination of positions in the input and output sequences, the easier it is to learn long-range dependencies [12]. Hence we also compare the maximum path length between any two input and output positions in networks composed of the different layer types.
As noted in Table 1, a self-attention layer connects all positions with a constant number of sequentially executed operations, whereas a recurrent layer requires $O(n)$ sequential operations. In terms of computational complexity, self-attention layers are faster than recurrent layers when the sequence
---
En esta sección comparamos varios aspectos de las capas de autoatención con las capas recurrentes y convolucionales utilizadas comúnmente para mapear una secuencia de representaciones de símbolos $(x_1, ..., x_n)$ de longitud variable a otra secuencia de igual longitud $(z_1, ..., z_n)$, con $x_i, z_i \in \mathbb{R}^d$, como podría ser una capa oculta en un codificador o decodificador típico de transducción de secuencias. Para motivar nuestro uso de la autoatención consideramos tres requisitos.
Uno es la complejidad computacional total por capa. Otro es la cantidad de cómputo que puede paralelizarse, medida por el número mínimo de operaciones secuenciales requeridas.
El tercero es la longitud del camino entre dependencias de largo alcance en la red. Aprender dependencias de largo alcance es un desafío clave en muchas tareas de transducción de secuencias. Un factor clave que afecta la capacidad de aprender dichas dependencias es la longitud de los caminos que deben recorrer las señales hacia adelante y hacia atrás en la red. Cuanto más cortos sean estos caminos entre cualquier combinación de posiciones en las secuencias de entrada y salida, más fácil será aprender dependencias de largo alcance [12]. Por lo tanto, también comparamos la longitud máxima del camino entre cualquier par de posiciones de entrada y salida en redes compuestas por los diferentes tipos de capas.
Como se observa en la Tabla 1, una capa de autoatención conecta todas las posiciones con un número constante de operaciones ejecutadas secuencialmente, mientras que una capa recurrente requiere $O(n)$ operaciones secuenciales. En términos de complejidad computacional, las capas de autoatención son más rápidas que las capas recurrentes cuando la secuencia
---
length $n$ is smaller than the representation dimensionality $d$, which is most often the case with sentence representations used by state-of-the-art models in machine translations, such as word-piece [38] and byte-pair [31] representations. To improve computational performance for tasks involving very long sequences, self-attention could be restricted to considering only a neighborhood of size $r$ in the input sequence centered around the respective output position. This would increase the maximum path length to $O(n/r)$. We plan to investigate this approach further in future work.
A single convolutional layer with kernel width $k < n$ does not connect all pairs of input and output positions. Doing so requires a stack of $O(n/k)$ convolutional layers in the case of contiguous kernels, or $O(\log_k(n))$ in the case of dilated convolutions [18], increasing the length of the longest paths between any two positions in the network. Convolutional layers are generally more expensive than recurrent layers, by a factor of $k$. Separable convolutions [6], however, decrease the complexity considerably, to $O(k \cdot n \cdot d + n \cdot d^2)$. Even with $k = n$, however, the complexity of a separable convolution is equal to the combination of a self-attention layer and a point-wise feed-forward layer, the approach we take in our model.
As side benefit, self-attention could yield more interpretable models. We inspect attention distributions from our models and present and discuss examples in the appendix. Not only do individual attention heads clearly learn to perform different tasks, many appear to exhibit behavior related to the syntactic and semantic structure of the sentences.
---
la longitud $n$ es menor que la dimensionalidad de representación $d$, lo cual es el caso más frecuente con las representaciones de oraciones utilizadas por los modelos de vanguardia en traducción automática, como las representaciones word-piece [38] y byte-pair [31]. Para mejorar el rendimiento computacional en tareas que involucran secuencias muy largas, la autoatención podría restringirse a considerar únicamente una vecindad de tamaño $r$ en la secuencia de entrada centrada alrededor de la respectiva posición de salida. Esto aumentaría la longitud máxima del camino a $O(n/r)$. Planeamos investigar este enfoque con mayor profundidad en trabajos futuros.
Una única capa convolucional con ancho de kernel $k < n$ no conecta todos los pares de posiciones de entrada y salida. Hacerlo requiere una pila de $O(n/k)$ capas convolucionales en el caso de kernels contiguos, o $O(\log_k(n))$ en el caso de convoluciones dilatadas [18], lo que incrementa la longitud de los caminos más largos entre cualquier par de posiciones en la red. Las capas convolucionales son generalmente más costosas que las capas recurrentes, por un factor de $k$. Sin embargo, las convoluciones separables [6] reducen considerablemente la complejidad, hasta $O(k \cdot n \cdot d + n \cdot d^2)$. Incluso con $k = n$, la complejidad de una convolución separable es igual a la combinación de una capa de autoatención y una capa de alimentación hacia adelante puntual, el enfoque que adoptamos en nuestro modelo.
Como beneficio adicional, la autoatención podría producir modelos más interpretables. Examinamos las distribuciones de atención de nuestros modelos y presentamos y discutimos ejemplos en el apéndice. No solo aprenden claramente a realizar diferentes tareas las cabezas individuales de atención, sino que muchas parecen exhibir comportamientos relacionados con la estructura sintáctica y semántica de las oraciones.
---
## 5 Training
---
## 5 Entrenamiento
---
This section describes the training regime for our models.
---
Esta sección describe el régimen de entrenamiento para nuestros modelos.
---
## 5.1 Training Data and Batching
---
## 5.1 Datos de entrenamiento y lotes
---
We trained on the standard WMT 2014 English-German dataset consisting of about 4.5 million sentence pairs. Sentences were encoded using byte-pair encoding [3], which has a shared source-target vocabulary of about 37000 tokens. For English-French, we used the significantly larger WMT 2014 English-French dataset consisting of 36M sentences and split tokens into a 32000 word-piece vocabulary [38]. Sentence pairs were batched together by approximate sequence length. Each training batch contained a set of sentence pairs containing approximately 25000 source tokens and 25000 target tokens.
---
Entrenamos con el conjunto de datos estándar WMT 2014 inglés-alemán, que consta de aproximadamente 4,5 millones de pares de oraciones. Las oraciones se codificaron mediante codificación por pares de bytes [3], que comparte un vocabulario fuente-destino de aproximadamente 37 000 tokens. Para inglés-francés, utilizamos el conjunto de datos WMT 2014 inglés-francés, significativamente más grande, compuesto por 36 millones de oraciones, y dividimos los tokens en un vocabulario de piezas de palabra (word-piece) de 32 000 elementos [38]. Los pares de oraciones se agruparon en lotes según su longitud de secuencia aproximada. Cada lote de entrenamiento contenía un conjunto de pares de oraciones con aproximadamente 25 000 tokens fuente y 25 000 tokens destino.
---
## **5.2 Hardware and Schedule**
---
## **5.2 Hardware y Cronograma**
---
We trained our models on one machine with 8 NVIDIA P100 GPUs. For our base models using the hyperparameters described throughout the paper, each training step took about 0.4 seconds. We trained the base models for a total of 100,000 steps or 12 hours. For our big models,(described on the bottom line of table 3), step time was 1.0 seconds. The big models were trained for 300,000 steps (3.5 days).
---
Entrenamos nuestros modelos en una máquina con 8 GPUs NVIDIA P100. Para nuestros modelos base, utilizando los hiperparámetros descritos a lo largo del artículo, cada paso de entrenamiento tomó aproximadamente 0.4 segundos. Entrenamos los modelos base durante un total de 100,000 pasos o 12 horas. Para nuestros modelos grandes (descritos en la última línea de la tabla 3), el tiempo por paso fue de 1.0 segundos. Los modelos grandes se entrenaron durante 300,000 pasos (3.5 días).
---
## 5.3 Optimizer
---
## 5.3 Optimizador
---
We used the Adam optimizer [20] with $\beta_1 = 0.9$, $\beta_2 = 0.98$ and $\epsilon = 10^{-9}$. We varied the learning rate over the course of training, according to the formula:
$$
lrate = d_{\mathrm{model}}^{-0.5} \cdot \min(step\_num^{-0.5}, step\_num \cdot warmup\_steps^{-1.5}) \tag{3}
$$
This corresponds to increasing the learning rate linearly for the first *warmup_steps* training steps, and decreasing it thereafter proportionally to the inverse square root of the step number. We used $warmup\_steps = 4000$.
---
Utilizamos el optimizador Adam [20] con $\beta_1 = 0.9$, $\beta_2 = 0.98$ y $\epsilon = 10^{-9}$. Variamos la tasa de aprendizaje a lo largo del entrenamiento, según la fórmula:
$$
lrate = d_{\mathrm{model}}^{-0.5} \cdot \min(step\_num^{-0.5}, step\_num \cdot warmup\_steps^{-1.5}) \tag{3}
$$
Esto corresponde a un aumento lineal de la tasa de aprendizaje durante los primeros *warmup_steps* pasos de entrenamiento, y una disminución posterior proporcional a la raíz cuadrada inversa del número de paso. Utilizamos $warmup\_steps = 4000$.
---
## 5.4 Regularization
---
## 5.4 Regularización
---
We employ three types of regularization during training:
---
Utilizamos tres tipos de regularización durante el entrenamiento:
---
Table 2: The Transformer achieves better BLEU scores than previous state-of-the-art models on the English-to-German and English-to-French newstest2014 tests at a fraction of the training cost.
---
Tabla 2: El Transformer obtiene mejores puntuaciones BLEU que los modelos de vanguardia anteriores en las pruebas newstest2014 de inglés a alemán e inglés a francés, con una fracción del coste de entrenamiento.
---
| Model | EN-DE | EN-FR | EN-DE | EN-FR |
| :--- | :---: | :---: | :---: | :---: |
| ByteNet [18] | 23.75 | | | |
| Deep-Att + PosUnk [39] | | 39.2 | | $1.0 \cdot 10^{20}$ |
| GNMT + RL [38] | 24.6 | 39.92 | $2.3 \cdot 10^{19}$ | $1.4 \cdot 10^{20}$ |
| ConvS2S [9] | 25.16 | 40.46 | $9.6 \cdot 10^{18}$ | $1.5 \cdot 10^{20}$ |
| MoE [32] | 26.03 | 40.56 | $2.0 \cdot 10^{19}$ | $1.2 \cdot 10^{20}$ |
| Deep-Att + PosUnk Ensemble [39] | | 40.4 | | $8.0 \cdot 10^{20}$ |
| GNMT + RL Ensemble [38] | 26.30 | 41.16 | $1.8 \cdot 10^{20}$ | $1.1 \cdot 10^{21}$ |
| ConvS2S Ensemble [9] | 26.36 | **41.29** | $7.7 \cdot 10^{19}$ | $1.2 \cdot 10^{21}$ |
| Transformer (base model) | 27.3 | 38.1 | $\mathbf{3.3 \cdot 10^{18}}$ | |
| Transformer (big) | **28.4** | **41.8** | $2.3 \cdot 10^{19}$ | |
**Residual Dropout** We apply dropout [33] to the output of each sub-layer, before it is added to the sub-layer input and normalized. In addition, we apply dropout to the sums of the embeddings and the positional encodings in both the encoder and decoder stacks. For the base model, we use a rate of $P_{drop} = 0.1$.
---
**Dropout residual** Aplicamos dropout [33] a la salida de cada subcapa, antes de sumarla a la entrada de la subcapa y normalizarla. Además, aplicamos dropout a las sumas de los embeddings y los codigos posicionales en ambas pilas del codificador y decodificador. Para el modelo base, utilizamos una tasa de $P_{drop} = 0.1$.
---
**Label Smoothing** During training, we employed label smoothing of value $\epsilon_{ls} = 0.1$ [36]. This hurts perplexity, as the model learns to be more unsure, but improves accuracy and BLEU score.
---
**Suavizado de etiquetas** Durante el entrenamiento, utilizamos un suavizado de etiquetas con valor $\epsilon_{ls} = 0.1$ [36]. Esto perjudica la perplejidad, ya que el modelo aprende a ser más inseguro, pero mejora la precisión y la puntuación BLEU.
---
## 6 Results
---
## 6 Resultados
---
## 6.1 Machine Translation
---
## 6.1 Traducción automática
---
On the WMT 2014 English-to-German translation task, the big transformer model (Transformer (big) in Table 2) outperforms the best previously reported models (including ensembles) by more than 2.0 BLEU, establishing a new state-of-the-art BLEU score of 28.4. The configuration of this model is listed in the bottom line of Table 3. Training took 3.5 days on 8 P100 GPUs. Even our base model surpasses all previously published models and ensembles, at a fraction of the training cost of any of the competitive models.
On the WMT 2014 English-to-French translation task, our big model achieves a BLEU score of 41.0, outperforming all of the previously published single models, at less than $1/4$ the training cost of the previous state-of-the-art model. The Transformer (big) model trained for English-to-French used dropout rate $P_{drop} = 0.1$, instead of 0.3.
For the base models, we used a single model obtained by averaging the last 5 checkpoints, which were written at 10-minute intervals. For the big models, we averaged the last 20 checkpoints. We used beam search with a beam size of 4 and length penalty $\alpha = 0.6$ [38]. These hyperparameters were chosen after experimentation on the development set. We set the maximum output length during inference to input length + 50, but terminate early when possible [38].
Table 2 summarizes our results and compares our translation quality and training costs to other model architectures from the literature. We estimate the number of floating point operations used to train a model by multiplying the training time, the number of GPUs used, and an estimate of the sustained single-precision floating-point capacity of each GPU $^5$.
---
En la tarea de traducción del inglés al alemán de WMT 2014, el modelo grande de Transformer (Transformer (big) en la Tabla 2) supera a los modelos previamente reportados como mejores (incluyendo conjuntos) en más de 2.0 BLEU, estableciendo una nueva puntuación BLEU de estado del arte de 28.4. La configuración de este modelo se lista en la última línea de la Tabla 3. El entrenamiento tomó 3.5 días en 8 GPUs P100. Incluso nuestro modelo base supera a todos los modelos y conjuntos publicados anteriormente, con una fracción del costo de entrenamiento de cualquiera de los modelos competitivos.
En la tarea de traducción del inglés al francés de WMT 2014, nuestro modelo grande alcanza una puntuación BLEU de 41.0, superando a todos los modelos individuales publicados anteriormente, con menos de $1/4$ del costo de entrenamiento del modelo anterior de estado del arte. El modelo Transformer (big) entrenado para inglés a francés utilizó una tasa de dropout $P_{drop} = 0.1$, en lugar de 0.3.
Para los modelos base, utilizamos un único modelo obtenido promediando las últimas 5 verificaciones (checkpoints), que se escribieron en intervalos de 10 minutos. Para los modelos grandes, promediamos las últimas 20 verificaciones. Utilizamos búsqueda por haz (beam search) con un tamaño de haz de 4 y penalización de longitud $\alpha = 0.6$ [38]. Estos hiperparámetros fueron elegidos tras experimentación en el conjunto de desarrollo. Establecimos la longitud máxima de salida durante la inferencia como la longitud de entrada + 50, pero terminamos anticipadamente cuando es posible [38].
La Tabla 2 resume nuestros resultados y compara nuestra calidad de traducción y costos de entrenamiento con otras arquitecturas de modelos de la literatura. Estimamos el número de operaciones de punto flotante utilizadas para entrenar un modelo multiplicando el tiempo de entrenamiento, el número de GPUs utilizadas y una estimación de la capacidad sostenida de punto flotante de precisión simple de cada GPU $^5$.
---
## 6.2 Model Variations
---
## 6.2 Variaciones del modelo
---
To evaluate the importance of different components of the Transformer, we varied our base model in different ways, measuring the change in performance on English-to-German translation on the
---
Para evaluar la importancia de los diferentes componentes del Transformer, variamos nuestro modelo base de distintas maneras, midiendo el cambio en el rendimiento en la traducción de inglés a alemán en el
---
$^5$We used values of 2.8, 3.7, 6.0 and 9.5 TFLOPS for K80, K40, M40 and P100, respectively.
---
$^5$Utilizamos valores de 2.8, 3.7, 6.0 y 9.5 TFLOPS para K80, K40, M40 y P100, respectivamente.
---
Table 3: Variations on the Transformer architecture. Unlisted values are identical to those of the base model. All metrics are on the English-to-German translation development set, newstest2013. Listed perplexities are per-wordpiece, according to our byte-pair encoding, and should not be compared to per-word perplexities.
---
Tabla 3: Variaciones en la arquitectura del Transformer. Los valores no listados son idénticos a los del modelo base. Todas las métricas se encuentran en el conjunto de desarrollo de traducción de inglés a alemán, newstest2013. Las perplejidades listadas son por pieza de byte (bytepiece), según nuestra codificación por pares de bytes (byte-pair encoding), y no deben compararse con las perplejidades por palabra.
---
| | $N$ | $d_{\text{model}}$ | $d_{\text{ff}}$ | $h$ | $d_k$ | $d_v$ | $P_{drop}$ | $\epsilon_{ls}$ | train steps | PPL (dev) | BLEU (dev) | params $\times 10^6$ |
| :---: | :---: | :---: | :---: | :---: | :---: | :---: | :---: | :---: | :---: | :---: | :---: | :---: |
| base | 6 | 512 | 2048 | 8 | 64 | 64 | 0.1 | 0.1 | 100K | 4.92 | 25.8 | 65 |
| (A) | | | | 1 | 512 | 512 | | | | 5.29 | 24.9 | |
| | | | | 4 | 128 | 128 | | | | 5.00 | 25.5 | |
| | | | | 16 | 32 | 32 | | | | 4.91 | 25.8 | |
| | | | | 32 | 16 | 16 | | | | 5.01 | 25.4 | |
| (B) | | | | | 16 | | | | | 5.16 | 25.1 | 58 |
| | | | | | 32 | | | | | 5.01 | 25.4 | 60 |
| (C) | 2 | | | | | | | | | 6.11 | 23.7 | 36 |
| | 4 | | | | | | | | | 5.19 | 25.3 | 50 |
| | 8 | | | | | | | | | 4.88 | 25.5 | 80 |
| | | 256 | | | 32 | 32 | | | | 5.75 | 24.5 | 28 |
| | | 1024 | | | 128 | 128 | | | | 4.66 | 26.0 | 168 |
| | | | 1024 | | | | | | | 5.12 | 25.4 | 53 |
| | | | 4096 | | | | | | | 4.75 | 26.2 | 90 |
| (D) | | | | | | | 0.0 | | | 5.77 | 24.6 | |
| | | | | | | | 0.2 | | | 4.95 | 25.5 | |
| | | | | | | | | 0.0 | | 4.67 | 25.3 | |
| | | | | | | | | 0.2 | | 5.47 | 25.7 | |
| (E) | | positional embedding instead of sinusoids | | | | | | | | 4.92 | 25.7 | |
| big | 6 | 1024 | 4096 | 16 | | | 0.3 | | 300K | **4.33** | **26.4** | 213 |
development set, newstest2013. We used beam search as described in the previous section, but no checkpoint averaging. We present these results in Table 3.
In Table 3 rows (A), we vary the number of attention heads and the attention key and value dimensions, keeping the amount of computation constant, as described in Section 3.2.2. While single-head attention is 0.9 BLEU worse than the best setting, quality also drops off with too many heads.
In Table 3 rows (B), we observe that reducing the attention key size $d_k$ hurts model quality. This suggests that determining compatibility is not easy and that a more sophisticated compatibility function than dot product may be beneficial. We further observe in rows (C) and (D) that, as expected, bigger models are better, and dropout is very helpful in avoiding over-fitting. In row (E) we replace our sinusoidal positional encoding with learned positional embeddings [9], and observe nearly identical results to the base model.
---
conjunto de desarrollo, newstest2013. Utilizamos búsqueda por haz como se describe en la sección anterior, pero sin promediado de puntos de control. Presentamos estos resultados en la Tabla 3.
En las filas (A) de la Tabla 3, variamos el número de cabezas de atención y las dimensiones de clave y valor de la atención, manteniendo constante la cantidad de cómputo, como se describe en la Sección 3.2.2. Aunque la atención de una sola cabeza es 0.9 BLEU peor que la mejor configuración, la calidad también disminuye con demasiadas cabezas.
En las filas (B) de la Tabla 3, observamos que reducir el tamaño de la clave de atención $d_k$ perjudica la calidad del modelo. Esto sugiere que determinar la compatibilidad no es fácil y que una función de compatibilidad más sofisticada que el producto punto podría ser beneficiosa. Además, observamos en las filas (C) y (D) que, como era de esperar, los modelos más grandes son mejores, y el dropout es muy útil para evitar el sobreajuste. En la fila (E), reemplazamos nuestra codificación posicional sinusoidal por incrustaciones posicionales aprendidas [9], y observamos resultados casi idénticos a los del modelo base.
---
## 6.3 English Constituency Parsing
---
## 6.3 Análisis de la estructura sintáctica en inglés
---
To evaluate if the Transformer can generalize to other tasks we performed experiments on English constituency parsing. This task presents specific challenges: the output is subject to strong structural constraints and is significantly longer than the input. Furthermore, RNN sequence-to-sequence models have not been able to attain state-of-the-art results in small-data regimes [37].
We trained a 4-layer transformer with $d_{model} = 1024$ on the Wall Street Journal (WSJ) portion of the Penn Treebank [25], about 40K training sentences. We also trained it in a semi-supervised setting, using the larger high-confidence and BerkleyParser corpora from with approximately 17M sentences [37]. We used a vocabulary of 16K tokens for the WSJ only setting and a vocabulary of 32K tokens for the semi-supervised setting.
We performed only a small number of experiments to select the dropout, both attention and residual (section 5.4), learning rates and beam size on the Section 22 development set, all other parameters remained unchanged from the English-to-German base translation model. During inference, we
---
Para evaluar si el Transformer puede generalizar a otras tareas, realizamos experimentos en el análisis sintáctico de constituyentes del inglés. Esta tarea presenta desafíos específicos: la salida está sujeta a fuertes restricciones estructurales y es significativamente más larga que la entrada. Además, los modelos secuenciales basados en RNN no han logrado alcanzar resultados de vanguardia en escenarios con pocos datos [37].
Entrenamos un Transformer de 4 capas con $d_{model} = 1024$ en la porción del Wall Street Journal (WSJ) del Penn Treebank [25], compuesta por aproximadamente 40K oraciones de entrenamiento. También lo entrenamos en un entorno semisupervisado, utilizando los corpus más grandes de alta confianza y BerkleyParser, con aproximadamente 17M de oraciones [37]. Utilizamos un vocabulario de 16K tokens para la configuración solo con WSJ y un vocabulario de 32K tokens para la configuración semisupervisada.
Realizamos solo un pequeño número de experimentos para seleccionar la tasa de dropout, tanto para la atención como para las conexiones residuales (sección 5.4), las tasas de aprendizaje y el tamaño del haz en el conjunto de desarrollo de la Sección 22; todos los demás parámetros permanecieron sin cambios respecto al modelo base de traducción inglés-alemán. Durante la inferencia,
---
Table 4: The Transformer generalizes well to English constituency parsing (Results are on Section 23 of WSJ)
---
Tabla 4: El Transformer se generaliza bien al análisis de constituyentes del inglés (Los resultados están en la Sección 23 de WSJ)
---
| Parser | Training | WSJ 23 F1 |
| :---: | :---: | :---: |
| Vinyals & Kaiser el al. (2014) [37] | WSJ only, discriminative | 88.3 |
| Petrov et al. (2006) [29] | WSJ only, discriminative | 90.4 |
| Zhu et al. (2013) [40] | WSJ only, discriminative | 90.4 |
| Dyer et al. (2016) [8] | WSJ only, discriminative | 91.7 |
| Transformer (4 layers) | WSJ only, discriminative | 91.3 |
| Zhu et al. (2013) [40] | semi-supervised | 91.3 |
| Huang & Harper (2009) [14] | semi-supervised | 91.3 |
| McClosky et al. (2006) [26] | semi-supervised | 92.1 |
| Vinyals & Kaiser el al. (2014) [37] | semi-supervised | 92.1 |
| Transformer (4 layers) | semi-supervised | 92.7 |
| Luong et al. (2015) [23] | multi-task | 93.0 |
| Dyer et al. (2016) [8] | generative | 93.3 |
---
| Analizador | Entrenamiento | F1 WSJ 23 |
| :---: | :---: | :---: |
| Vinyals & Kaiser et al. (2014) [37] | Solo WSJ, discriminativo | 88.3 |
| Petrov et al. (2006) [29] | Solo WSJ, discriminativo | 90.4 |
| Zhu et al. (2013) [40] | Solo WSJ, discriminativo | 90.4 |
| Dyer et al. (2016) [8] | Solo WSJ, discriminativo | 91.7 |
| Transformer (4 capas) | Solo WSJ, discriminativo | 91.3 |
| Zhu et al. (2013) [40] | semisupervisado | 91.3 |
| Huang & Harper (2009) [14] | semisupervisado | 91.3 |
| McClosky et al. (2006) [26] | semisupervisado | 92.1 |
| Vinyals & Kaiser et al. (2014) [37] | semisupervisado | 92.1 |
| Transformer (4 capas) | semisupervisado | 92.7 |
| Luong et al. (2015) [23] | multitarea | 93.0 |
| Dyer et al. (2016) [8] | generativo | 93.3 |
---
increased the maximum output length to input length + 300. We used a beam size of 21 and $\alpha = 0.3$ for both WSJ only and the semi-supervised setting.
Our results in Table 4 show that despite the lack of task-specific tuning our model performs surprisingly well, yielding better results than all previously reported models with the exception of the Recurrent Neural Network Grammar [8].
In contrast to RNN sequence-to-sequence models [37], the Transformer outperforms the Berkeley-Parser [29] even when training only on the WSJ training set of 40K sentences.
---
aumentamos la longitud máxima de salida a la longitud de entrada + 300. Utilizamos un tamaño de haz de 21 y $\alpha = 0.3$ tanto para el caso solo con WSJ como para el entorno semisupervisado.
Nuestros resultados en la Tabla 4 muestran que, a pesar de la falta de ajuste específico para la tarea, nuestro modelo funciona sorprendentemente bien, obteniendo mejores resultados que todos los modelos reportados previamente, con la excepción de la Gramática de Redes Neuronales Recurrentes [8].
En contraste con los modelos secuencia a secuencia basados en RNN [37], el Transformer supera al Berkeley-Parser [29] incluso cuando se entrena únicamente con el conjunto de entrenamiento de WSJ de 40K oraciones.
---
## 7 Conclusion
---
## 7 Conclusión
---
In this work, we presented the Transformer, the first sequence transduction model based entirely on attention, replacing the recurrent layers most commonly used in encoder-decoder architectures with multi-headed self-attention.
For translation tasks, the Transformer can be trained significantly faster than architectures based on recurrent or convolutional layers. On both WMT 2014 English-to-German and WMT 2014 English-to-French translation tasks, we achieve a new state of the art. In the former task our best model outperforms even all previously reported ensembles.
We are excited about the future of attention-based models and plan to apply them to other tasks. We plan to extend the Transformer to problems involving input and output modalities other than text and to investigate local, restricted attention mechanisms to efficiently handle large inputs and outputs such as images, audio and video. Making generation less sequential is another research goals of ours.
The code we used to train and evaluate our models is available at https://github.com/tensorflow/tensor2tensor.
**Acknowledgements** We are grateful to Nal Kalchbrenner and Stephan Gouws for their fruitful comments, corrections and inspiration.
---
En este trabajo, presentamos el Transformer, el primer modelo de transducción de secuencias basado completamente en la atención, que reemplaza las capas recurrentes más comúnmente utilizadas en las arquitecturas codificador-decodificador por autoatención de múltiples cabezas.
Para tareas de traducción, el Transformer puede entrenarse significativamente más rápido que las arquitecturas basadas en capas recurrentes o convolucionales. En ambas tareas de traducción WMT 2014 inglés-alemán y WMT 2014 inglés-francés, logramos un nuevo estado del arte. En la primera tarea, nuestro mejor modelo supera incluso a todos los conjuntos previamente reportados.
Estamos entusiasmados con el futuro de los modelos basados en atención y planeamos aplicarlos a otras tareas. Planeamos extender el Transformer a problemas que involucren modalidades de entrada y salida distintas al texto, e investigar mecanismos de atención local y restringida para manejar eficientemente entradas y salidas grandes como imágenes, audio y video. Hacer que la generación sea menos secuencial es otro de nuestros objetivos de investigación.
El código que utilizamos para entrenar y evaluar nuestros modelos está disponible en https://github.com/tensorflow/tensor2tensor.
**Agradecimientos** Agradecemos a Nal Kalchbrenner y Stephan Gouws por sus fructíferos comentarios, correcciones e inspiración.
---
## **References**
---
## **Referencias**
---
[1] Jimmy Lei Ba, Jamie Ryan Kiros, and Geoffrey E Hinton. Layer normalization. *arXiv preprint arXiv:1607.06450*, 2016.
[2] Dzmitry Bahdanau, Kyunghyun Cho, and Yoshua Bengio. Neural machine translation by jointly learning to align and translate. *CoRR*, abs/1409.0473, 2014.
[3] Denny Britz, Anna Goldie, Minh-Thang Luong, and Quoc V. Le. Massive exploration of neural machine translation architectures. *CoRR*, abs/1703.03906, 2017.
[4] Jianpeng Cheng, Li Dong, and Mirella Lapata. Long short-term memory-networks for machine reading. *arXiv preprint arXiv:1601.06733*, 2016.
---
[1] Jimmy Lei Ba, Jamie Ryan Kiros y Geoffrey E Hinton. Normalización por capas. *Preprint en arXiv arXiv:1607.06450*, 2016.
[2] Dzmitry Bahdanau, Kyunghyun Cho y Yoshua Bengio. Traducción automática neuronal mediante el aprendizaje conjunto de alineación y traducción. *CoRR*, abs/1409.0473, 2014.
[3] Denny Britz, Anna Goldie, Minh-Thang Luong y Quoc V. Le. Exploración masiva de arquitecturas de traducción automática neuronal. *CoRR*, abs/1703.03906, 2017.
[4] Jianpeng Cheng, Li Dong y Mirella Lapata. Redes de memoria a corto y largo plazo para lectura automática. *Preprint en arXiv arXiv:1601.06733*, 2016.
---
[5] Kyunghyun Cho, Bart van Merriënboer, Caglar Gulcehre, Fethi Bougares, Holger Schwenk, and Yoshua Bengio. Learning phrase representations using rnn encoder-decoder for statistical machine translation. *CoRR*, abs/1406.1078, 2014.
[6] Francois Chollet. Xception: Deep learning with depthwise separable convolutions. *arXiv preprint arXiv:1610.02357*, 2016.
[7] Junyoung Chung, Çağlar Gülçehre, Kyunghyun Cho, and Yoshua Bengio. Empirical evaluation of gated recurrent neural networks on sequence modeling. *CoRR*, abs/1412.3555, 2014.
[8] Chris Dyer, Adhiguna Kuncoro, Miguel Ballesteros, and Noah A. Smith. Recurrent neural network grammars. In *Proc. of NAACL*, 2016.
[9] Jonas Gehring, Michael Auli, David Grangier, Denis Yarats, and Yann N. Dauphin. Convolutional sequence to sequence learning. *arXiv preprint arXiv:1705.03122v2*, 2017.
[10] Alex Graves. Generating sequences with recurrent neural networks. *arXiv preprint arXiv:1308.0850*, 2013.
[11] Kaiming He, Xiangyu Zhang, Shaoqing Ren, and Jian Sun. Deep residual learning for image recognition. In *Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition*, pages 770–778, 2016.
[12] Sepp Hochreiter, Yoshua Bengio, Paolo Frasconi, and Jürgen Schmidhuber. Gradient flow in recurrent nets: the difficulty of learning long-term dependencies, 2001.
[13] Sepp Hochreiter and Jürgen Schmidhuber. Long short-term memory. *Neural computation*, 9(8):1735–1780, 1997.
[14] Zhongqiang Huang and Mary Harper. Self-training PCFG grammars with latent annotations across languages. In *Proceedings of the 2009 Conference on Empirical Methods in Natural Language Processing*, pages 832–841. ACL, August 2009.
[15] Rafal Jozefowicz, Oriol Vinyals, Mike Schuster, Noam Shazeer, and Yonghui Wu. Exploring the limits of language modeling. *arXiv preprint arXiv:1602.02410*, 2016.
[16] Łukasz Kaiser and Samy Bengio. Can active memory replace attention? In *Advances in Neural Information Processing Systems, (NIPS)*, 2016.
[17] Łukasz Kaiser and Ilya Sutskever. Neural GPUs learn algorithms. In *International Conference on Learning Representations (ICLR)*, 2016.
[18] Nal Kalchbrenner, Lasse Espeholt, Karen Simonyan, Aaron van den Oord, Alex Graves, and Koray Kavukcuoglu. Neural machine translation in linear time. *arXiv preprint arXiv:1610.10099v2*, 2017.
[19] Yoon Kim, Carl Denton, Luong Hoang, and Alexander M. Rush. Structured attention networks. In *International Conference on Learning Representations*, 2017.
[20] Diederik Kingma and Jimmy Ba. Adam: A method for stochastic optimization. In *ICLR*, 2015.
[21] Oleksii Kuchaiev and Boris Ginsburg. Factorization tricks for LSTM networks. *arXiv preprint arXiv:1703.10722*, 2017.
[22] Zhouhan Lin, Minwei Feng, Cicero Nogueira dos Santos, Mo Yu, Bing Xiang, Bowen Zhou, and Yoshua Bengio. A structured self-attentive sentence embedding. *arXiv preprint arXiv:1703.03130*, 2017.
[23] Minh-Thang Luong, Quoc V. Le, Ilya Sutskever, Oriol Vinyals, and Lukasz Kaiser. Multi-task sequence to sequence learning. *arXiv preprint arXiv:1511.06114*, 2015.
[24] Minh-Thang Luong, Hieu Pham, and Christopher D Manning. Effective approaches to attention-based neural machine translation. *arXiv preprint arXiv:1508.04025*, 2015.
---
[5] Kyunghyun Cho, Bart van Merriënboer, Caglar Gulcehre, Fethi Bougares, Holger Schwenk y Yoshua Bengio. Aprendizaje de representaciones de frases utilizando codificador-decodificador RNN para traducción automática estadística. *CoRR*, abs/1406.1078, 2014.
[6] Francois Chollet. Xception: Aprendizaje profundo con convoluciones separables en profundidad. *Preprint arXiv arXiv:1610.02357*, 2016.
[7] Junyoung Chung, Çağlar Gülçehre, Kyunghyun Cho y Yoshua Bengio. Evaluación empírica de redes neuronales recurrentes con compuertas en modelado de secuencias. *CoRR*, abs/1412.3555, 2014.
[8] Chris Dyer, Adhiguna Kuncoro, Miguel Ballesteros y Noah A. Smith. Gramáticas de redes neuronales recurrentes. En *Proc. of NAACL*, 2016.
[9] Jonas Gehring, Michael Auli, David Grangier, Denis Yarats y Yann N. Dauphin. Aprendizaje de secuencia a secuencia basado en convoluciones. *Preprint arXiv arXiv:1705.03122v2*, 2017.
[10] Alex Graves. Generación de secuencias con redes neuronales recurrentes. *Preprint arXiv arXiv:1308.0850*, 2013.
[11] Kaiming He, Xiangyu Zhang, Shaoqing Ren y Jian Sun. Aprendizaje profundo residual para reconocimiento de imágenes. En *Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition*, páginas 770–778, 2016.
[12] Sepp Hochreiter, Yoshua Bengio, Paolo Frasconi y Jürgen Schmidhuber. Flujo de gradiente en redes recurrentes: la dificultad de aprender dependencias a largo plazo, 2001.
[13] Sepp Hochreiter y Jürgen Schmidhuber. Memoria a corto y largo plazo (LSTM). *Neural computation*, 9(8):1735–1780, 1997.
[14] Zhongqiang Huang y Mary Harper. Entrenamiento automático de gramáticas PCFG con anotaciones latentes entre idiomas. En *Proceedings of the 2009 Conference on Empirical Methods in Natural Language Processing*, páginas 832–841. ACL, agosto de 2009.
[15] Rafal Jozefowicz, Oriol Vinyals, Mike Schuster, Noam Shazeer y Yonghui Wu. Explorando los límites del modelado de lenguaje. *Preprint arXiv arXiv:1602.02410*, 2016.
[16] Łukasz Kaiser y Samy Bengio. ¿Puede la memoria activa reemplazar a la atención? En *Advances in Neural Information Processing Systems, (NIPS)*, 2016.
[17] Łukasz Kaiser e Ilya Sutskever. Las GPU neuronales aprenden algoritmos. En *International Conference on Learning Representations (ICLR)*, 2016.
[18] Nal Kalchbrenner, Lasse Espeholt, Karen Simonyan, Aaron van den Oord, Alex Graves y Koray Kavukcuoglu. Traducción automática neuronal en tiempo lineal. *Preprint arXiv arXiv:1610.10099v2*, 2017.
[19] Yoon Kim, Carl Denton, Luong Hoang y Alexander M. Rush. Redes de atención estructurada. En *International Conference on Learning Representations*, 2017.
[20] Diederik Kingma y Jimmy Ba. Adam: Un método para optimización estocástica. En *ICLR*, 2015.
[21] Oleksii Kuchaiev y Boris Ginsburg. Trucos de factorización para redes LSTM. *Preprint arXiv arXiv:1703.10722*, 2017.
[22] Zhouhan Lin, Minwei Feng, Cicero Nogueira dos Santos, Mo Yu, Bing Xiang, Bowen Zhou y Yoshua Bengio. Una incrustación de oraciones autoatentiva estructurada. *Preprint arXiv arXiv:1703.03130*, 2017.
[23] Minh-Thang Luong, Quoc V. Le, Ilya Sutskever, Oriol Vinyals y Lukasz Kaiser. Aprendizaje de secuencia a secuencia multitarea. *Preprint arXiv arXiv:1511.06114*, 2015.
[24] Minh-Thang Luong, Hieu Pham y Christopher D Manning. Enfoques efectivos para la traducción automática neuronal basada en atención. *Preprint arXiv arXiv:1508.04025*, 2015.
---
[25] Mitchell P Marcus, Mary Ann Marcinkiewicz, and Beatrice Santorini. Building a large annotated corpus of english: The penn treebank. *Computational linguistics*, 19(2):313–330, 1993.
[26] David McClosky, Eugene Charniak, and Mark Johnson. Effective self-training for parsing. In *Proceedings of the Human Language Technology Conference of the NAACL, Main Conference*, pages 152–159. ACL, June 2006.
[27] Ankur Parikh, Oscar Täckström, Dipanjan Das, and Jakob Uszkoreit. A decomposable attention model. In *Empirical Methods in Natural Language Processing*, 2016.
[28] Romain Paulus, Caiming Xiong, and Richard Socher. A deep reinforced model for abstractive summarization. *arXiv preprint arXiv:1705.04304*, 2017.
[29] Slav Petrov, Leon Barrett, Romain Thibaux, and Dan Klein. Learning accurate, compact, and interpretable tree annotation. In *Proceedings of the 21st International Conference on Computational Linguistics and 44th Annual Meeting of the ACL*, pages 433–440. ACL, July 2006.
[30] Ofir Press and Lior Wolf. Using the output embedding to improve language models. *arXiv preprint arXiv:1608.05859*, 2016.
[31] Rico Sennrich, Barry Haddow, and Alexandra Birch. Neural machine translation of rare words with subword units. *arXiv preprint arXiv:1508.07909*, 2015.
[32] Noam Shazeer, Azalia Mirhoseini, Krzysztof Maziarz, Andy Davis, Quoc Le, Geoffrey Hinton, and Jeff Dean. Outrageously large neural networks: The sparsely-gated mixture-of-experts layer. *arXiv preprint arXiv:1701.06538*, 2017.
[33] Nitish Srivastava, Geoffrey E Hinton, Alex Krizhevsky, Ilya Sutskever, and Ruslan Salakhutdinov. Dropout: a simple way to prevent neural networks from overfitting. *Journal of Machine Learning Research*, 15(1):1929–1958, 2014.
[34] Sainbayar Sukhbaatar, Arthur Szlam, Jason Weston, and Rob Fergus. End-to-end memory networks. In C. Cortes, N. D. Lawrence, D. D. Lee, M. Sugiyama, and R. Garnett, editors, *Advances in Neural Information Processing Systems 28*, pages 2440–2448. Curran Associates, Inc., 2015.
[35] Ilya Sutskever, Oriol Vinyals, and Quoc VV Le. Sequence to sequence learning with neural networks. In *Advances in Neural Information Processing Systems*, pages 3104–3112, 2014.
[36] Christian Szegedy, Vincent Vanhoucke, Sergey Ioffe, Jonathon Shlens, and Zbigniew Wojna. Rethinking the inception architecture for computer vision. *CoRR*, abs/1512.00567, 2015.
[37] Vinyals & Kaiser, Koo, Petrov, Sutskever, and Hinton. Grammar as a foreign language. In *Advances in Neural Information Processing Systems*, 2015.
[38] Yonghui Wu, Mike Schuster, Zhifeng Chen, Quoc V Le, Mohammad Norouzi, Wolfgang Macherey, Maxim Krikun, Yuan Cao, Qin Gao, Klaus Macherey, et al. Google’s neural machine translation system: Bridging the gap between human and machine translation. *arXiv preprint arXiv:1609.08144*, 2016.
[39] Jie Zhou, Ying Cao, Xuguang Wang, Peng Li, and Wei Xu. Deep recurrent models with fast-forward connections for neural machine translation. *CoRR*, abs/1606.04199, 2016.
[40] Muhua Zhu, Yue Zhang, Wenliang Chen, Min Zhang, and Jingbo Zhu. Fast and accurate shift-reduce constituent parsing. In *Proceedings of the 51st Annual Meeting of the ACL (Volume 1: Long Papers)*, pages 434–443. ACL, August 2013.
---
[25] Mitchell P Marcus, Mary Ann Marcinkiewicz y Beatrice Santorini. Construcción de un gran corpus anotado de inglés: El Penn Treebank. *Lingüística computacional*, 19(2):313–330, 1993.
[26] David McClosky, Eugene Charniak y Mark Johnson. Autoentrenamiento eficaz para el análisis sintáctico. En *Actas de la Conferencia sobre Tecnología del Lenguaje Humano de NAACL, Conferencia Principal*, páginas 152–159. ACL, junio de 2006.
[27] Ankur Parikh, Oscar Täckström, Dipanjan Das y Jakob Uszkoreit. Un modelo de atención descomponible. En *Métodos Empíricos en Procesamiento del Lenguaje Natural*, 2016.
[28] Romain Paulus, Caiming Xiong y Richard Socher. Un modelo profundo reforzado para la resumición abstractiva. *Preprint arXiv arXiv:1705.04304*, 2017.
[29] Slav Petrov, Leon Barrett, Romain Thibaux y Dan Klein. Aprendizaje de anotación de árboles precisa, compacta e interpretable. En *Actas de la 21ª Conferencia Internacional sobre Lingüística Computacional y 44ª Reunión Anual de la ACL*, páginas 433–440. ACL, julio de 2006.
[30] Ofir Press y Lior Wolf. Uso de la incrustación de salida para mejorar los modelos de lenguaje. *Preprint arXiv arXiv:1608.05859*, 2016.
[31] Rico Sennrich, Barry Haddow y Alexandra Birch. Traducción automática neural de palabras raras con unidades de subpalabra. *Preprint arXiv arXiv:1508.07909*, 2015.
[32] Noam Shazeer, Azalia Mirhoseini, Krzysztof Maziarz, Andy Davis, Quoc Le, Geoffrey Hinton y Jeff Dean. Redes neuronales enormemente grandes: La capa de mezcla de expertos escasamente activada. *Preprint arXiv arXiv:1701.06538*, 2017.
[33] Nitish Srivastava, Geoffrey E Hinton, Alex Krizhevsky, Ilya Sutskever y Ruslan Salakhutdinov. Dropout: una forma sencilla de evitar que las redes neuronales sufran sobreajuste. *Journal of Machine Learning Research*, 15(1):1929–1958, 2014.
[34] Sainbayar Sukhbaatar, Arthur Szlam, Jason Weston y Rob Fergus. Redes de memoria de extremo a extremo. En C. Cortes, N. D. Lawrence, D. D. Lee, M. Sugiyama y R. Garnett, editores, *Avances en Sistemas de Información de Procesamiento Neural 28*, páginas 2440–2448. Curran Associates, Inc., 2015.
[35] Ilya Sutskever, Oriol Vinyals y Quoc VV Le. Aprendizaje de secuencia a secuencia con redes neuronales. En *Avances en Sistemas de Información de Procesamiento Neural*, páginas 3104–3112, 2014.
[36] Christian Szegedy, Vincent Vanhoucke, Sergey Ioffe, Jonathon Shlens y Zbigniew Wojna. Repensando la arquitectura Inception para visión por computadora. *CoRR*, abs/1512.00567, 2015.
[37] Vinyals & Kaiser, Koo, Petrov, Sutskever y Hinton. Gramática como lengua extranjera. En *Avances en Sistemas de Información de Procesamiento Neural*, 2015.
[38] Yonghui Wu, Mike Schuster, Zhifeng Chen, Quoc V Le, Mohammad Norouzi, Wolfgang Macherey, Maxim Krikun, Yuan Cao, Qin Gao, Klaus Macherey, et al. Sistema de traducción automática neural de Google: Acortando la brecha entre la traducción humana y la máquina. *Preprint arXiv arXiv:1609.08144*, 2016.
[39] Jie Zhou, Ying Cao, Xuguang Wang, Peng Li y Wei Xu. Modelos recurrentes profundos con conexiones hacia adelante rápidas para traducción automática neural. *CoRR*, abs/1606.04199, 2016.
[40] Muhua Zhu, Yue Zhang, Wenliang Chen, Min Zhang y Jingbo Zhu. Análisis constituyente rápido y preciso basado en turnos y reducciones. En *Actas de la 51ª Reunión Anual de la ACL (Volumen 1: Artículos Largos)*, páginas 434–443. ACL, agosto de 2013.
---
---
Figure 3: An example of the attention mechanism following long-distance dependencies in the encoder self-attention in layer 5 of 6. Many of the attention heads attend to a distant dependency of the verb ‘making’, completing the phrase ‘making...more difficult’. Attentions here shown only for the word ‘making’. Different colors represent different heads. Best viewed in color.
---
Figura 3: Un ejemplo del mecanismo de atención que sigue dependencias a larga distancia en la autoatención del codificador en la capa 5 de 6. Muchas de las cabezas de atención se centran en una dependencia lejana del verbo ‘making’, completando la frase ‘making...more difficult’. Las atenciones mostradas aquí son solo para la palabra ‘making’. Los diferentes colores representan diferentes cabezas. Mejor visto en color.
---
Figure 4: Two attention heads, also in layer 5 of 6, apparently involved in anaphora resolution. Top: Full attentions for head 5. Bottom: Isolated attentions from just the word 'its' for attention heads 5 and 6. Note that the attentions are very sharp for this word.
---
Figura 4: Dos cabezales de atención, también en la capa 5 de 6, aparentemente involucrados en la resolución de anáforas. Arriba: Atenciones completas para el cabezal 5. Abajo: Atenciones aisladas solo de la palabra 'its' para los cabezales de atención 5 y 6. Nótese que las atenciones son muy agudas para esta palabra.
---
Figure 5: Many of the attention heads exhibit behaviour that seems related to the structure of the sentence. We give two such examples above, from two different heads from the encoder self-attention at layer 5 of 6. The heads clearly learned to perform different tasks.
---
Figura 5: Muchos de los cabezales de atención muestran un comportamiento que parece estar relacionado con la estructura de la oración. Presentamos dos ejemplos de este tipo arriba, procedentes de dos cabezales diferentes de la autoatención del codificador en la capa 5 de 6. Los cabezales claramente aprendieron a realizar tareas distintas.
---