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.

---

При условии надлежащего указания авторства, Google настоящим предоставляет разрешение на воспроизведение таблиц и рисунков в данной статье исключительно для использования в журналистских или научных работах.

---

# Attention Is All You Need

---

# Внимание — это всё, что вам нужно

---

Ashish Vaswani$^{*}$
Google Brain
avaswani@google.com

Llion Jones$^{*}$
Google Research
llion@google.com

---

Ашиш Васвани$^{*}$
Google Brain
avaswani@google.com

Ллион Джонс$^{*}$
Google Research
llion@google.com

---

Noam Shazeer$^{*}$
Google Brain
noam@google.com

---

Ноам Шазер$^{*}$
Google Brain
noam@google.com

---

Aidan N. Gomez$^{* \; \dagger}$
University of Toronto
aidan@cs.toronto.edu

---

Aidan N. Gomez$^{* \; \dagger}$
Университет Торонто
aidan@cs.toronto.edu

---

**Niki Parmar**$^*$
Google Research
nikip@google.com

---

**Ники Пармар**$^*$
Google Research
nikip@google.com

---

Illia Polosukhin$^{*}$ $\ddagger$

illia.polosukhin@gmail.com

---

Илья Полозукин$^{*}$ $\ddagger$

illia.polosukhin@gmail.com

---

Łukasz Kaiser*
Google Brain
lukaszkaiser@google.com

Jakob Uszkoreit$^{*}$
Google Research
usz@google.com

---

Якоб Ушкорейт$^{*}$
Google Research
usz@google.com

---

## Abstract

---

## Аннотация

---

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.

---

Доминирующие модели последовательного преобразования основаны на сложных рекуррентных или сверточных нейронных сетях, которые включают в себя кодировщик и декодер. Лучшие по производительности модели также связывают кодировщик и декодер с помощью механизма внимания. Мы предлагаем новую простую архитектуру сети — Трансформер (Transformer), основанную исключительно на механизмах внимания, полностью отказываясь от рекуррентности и свёрток. Эксперименты на двух задачах машинного перевода показывают, что эти модели превосходят существующие по качеству, более параллелизуемы и требуют значительно меньшего времени для обучения. Наша модель достигает показателя 28.4 BLEU на задаче перевода WMT 2014 английский-немецкий, улучшая лучшие из существующих результатов, включая ансамбли, более чем на 2 BLEU. На задаче перевода WMT 2014 английский-французский наша модель устанавливает новый рекорд для одиночной модели с показателем BLEU 41.8 после обучения в течение 3,5 дней на восьми GPU, что составляет малую долю от затрат на обучение лучших моделей, описанных в литературе. Мы демонстрируем, что Трансформер хорошо обобщается на другие задачи, успешно применяя его к синтаксическому разбору английских предложений как при большом, так и при ограниченном объёме обучающих данных.

---

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.

---

$^*$Равный вклад. Порядок перечисления случайный. Якоб предложил заменить рекуррентные нейронные сети (RNN) на механизм самовнимания и инициировал работу по оценке этой идеи. Ашиш вместе с Иллией разработал и реализовал первые модели Transformer и играл ключевую роль во всех аспектах этой работы. Ноам предложил масштабированное точечное внимание, многоголовое внимание и параметрически-свободное позиционное представление, став вторым человеком, вовлечённым практически в каждую деталь. Ники проектировал, реализовывал, настраивал и оценивал бесчисленные варианты моделей в нашем исходном коде и в tensor2tensor. Ллион также экспериментировал с новыми вариантами моделей, отвечал за наш первоначальный код, эффективный вывод и визуализацию. Лукаш и Эйден провели множество долгих дней, разрабатывая различные части и реализуя tensor2tensor, заменив нашу более раннюю кодовую базу, что значительно улучшило результаты и massively ускорило наши исследования.

$^\dagger$Работа выполнена во время пребывания в Google Brain.

$^\ddagger$Работа выполнена во время пребывания в Google Research.

---

## 1 Introduction

---

## 1 Введение

---

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.

---

Рекуррентные нейронные сети, в частности долгократкосрочная память [13] и управляемые рекуррентные нейронные сети [7], прочно закрепились в качестве передовых подходов к задачам моделирования последовательностей и трансдукции, таким как языковое моделирование и машинный перевод [35, 2, 5]. С тех пор множество исследований продолжали расширять границы возможностей рекуррентных языковых моделей и архитектур «кодировщик-декодировщик» [38, 24, 15].

Рекуррентные модели обычно разбивают вычисления по символам входных и выходных последовательностей. Привязывая позиции к шагам во времени вычислений, они генерируют последовательность скрытых состояний $h_t$ как функцию от предыдущего скрытого состояния $h_{t-1}$ и входа для позиции $t$. Эта присущая им последовательная природа исключает возможность распараллеливания внутри отдельных обучающих примеров, что становится критичным при больших длинах последовательностей, поскольку ограничения памяти ограничивают возможность батчинга (группировки) между примерами. Недавние работы достигли значительного улучшения вычислительной эффективности благодаря трюкам факторизации [21] и условным вычислениям [32], одновременно улучшив качество модели в случае последних. Однако фундаментальное ограничение последовательных вычислений остаётся неизменным.

Механизмы внимания стали неотъемлемой частью эффективных моделей моделирования последовательностей и трансдукции в различных задачах, позволяя моделировать зависимости независимо от их расстояния во входных или выходных последовательностях [2, 19]. Однако во всех случаях, кроме нескольких [27], такие механизмы внимания используются совместно с рекуррентными сетями.

В данной работе мы предлагаем Трансформер — архитектуру модели, которая избегает рекуррентности и полностью опирается на механизм внимания для установления глобальных зависимостей между входом и выходом. Трансформер позволяет значительно больше распараллеливать вычисления и достигает нового уровня качества перевода после обучения всего в течение двенадцати часов на восьми GPU P100.

---

## 2 Background

---

## 2 Предыстория

---

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].

---

Цель снижения последовательных вычислений также лежит в основе расширенной нейронной GPU [16], ByteNet [18] и ConvS2S [9], все из которых используют сверточные нейронные сети в качестве базового строительного блока, вычисляя скрытые представления параллельно для всех позиций входа и выхода. В этих моделях количество операций, необходимых для установления связи между сигналами из двух произвольных позиций входа или выхода, возрастает с увеличением расстояния между позициями: линейно для ConvS2S и логарифмически для ByteNet. Это затрудняет обучение зависимостям между удаленными позициями [12]. В архитектуре Transformer это количество операций сводится к константе, хотя и за счет снижения эффективного разрешения из-за усреднения позиций с учетом весов внимания; этот эффект мы компенсируем использованием механизма Multi-Head Attention, как описано в разделе 3.2.

Самовнимание (self-attention), иногда называемое внутрипоследовательным вниманием (intra-attention), — это механизм внимания, устанавливающий связи между различными позициями одной и той же последовательности для вычисления её представления. Самовнимание успешно применялось в ряде задач, включая понимание прочитанного, абстрактное суммирование текстов, текстовую энтайлмент и обучение независимых от задачи представлений предложений [4, 27, 28, 22].

Память end-to-end memory networks основана на рекуррентном механизме внимания вместо рекуррентности, выровненной по последовательности, и показала хорошую эффективность в задачах простого问答 на естественном языке и языкового моделирования [34].

По нашим сведениям, Transformer является первой моделью трансдукции, которая полностью полагается на самовнимание для вычисления представлений своего входа и выхода, не используя рекуррентные нейронные сети, выровненные по последовательности, или свёртки. В следующих разделах мы опишем архитектуру Transformer, обоснуем применение самовнимания и обсудим его преимущества перед такими моделями, как [17, 18] и [9].

---

## 3 Model Architecture

---

## 3 Архитектура модели

---

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.

---

Большинство конкурентоспособных нейросетевых моделей последовательного транслитерирования имеют структуру «кодировщик-декодировщик» [5, 2, 35]. В этой архитектуре кодировщик отображает входную последовательность символьных представлений $(x_1, ..., x_n)$ в последовательность непрерывных представлений $\mathbf{z} = (z_1, ..., z_n)$. Получив $\mathbf{z}$, декодировщик затем генерирует выходную последовательность символов $(y_1, ..., y_m)$ по одному элементу за раз. На каждом шаге модель является авторегрессионной [10], потребляя ранее сгенерированные символы в качестве дополнительного ввода при генерации следующего.

---

<img src="images/3-1.png" style="zoom:70%; display: block; margin: 0 auto;" />

Figure 1: The Transformer - model architecture.

---

Рисунок 1: Архитектура модели 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.

---

Трансформер использует общую архитектуру, состоящую из стека механизмов самовнимания и точечных полносвязных слоёв как для кодировщика, так и для декодера, что показано на левой и правой половинах рисунка 1 соответственно.

---

## 3.1 Encoder and Decoder Stacks

---

## 3.1 Стек энкодера и декодера

---

**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 $i$.

---

**Кодировщик:** Кодировщик состоит из стека из $N = 6$ идентичных слоев. Каждый слой имеет два подслоя. Первый — это механизм самовнимания с несколькими головами, а второй — простая позиционно-ориентированная полносвязная сеть прямого распространения. Мы используем остаточные связи [11] вокруг каждого из двух подслоев, за которыми следует нормализация слоя [1]. То есть выход каждого подслоя равен $\text{LayerNorm}(x + \text{Sublayer}(x))$, где $\text{Sublayer}(x)$ — функция, реализуемая самим подслоем. Для облегчения этих остаточных связей все подслои в модели, а также слои эмбеддинга, выдают выходные данные размерности $d_{\text{model}} = 512$.

**Декодировщик:** Декодировщик также состоит из стека из $N = 6$ идентичных слоев. В дополнение к двум подслоям в каждом слое кодировщика, декодировщик вставляет третий подслой, который выполняет многоголовое внимание по выходу стека кодировщика. Аналогично кодировщику, мы используем остаточные связи вокруг каждого из подслоев, за которыми следует нормализация слоя. Мы также модифицируем подслой самовнимания в стеке декодирования, чтобы предотвратить внимание позиций к последующим позициям. Эта маскировка, в сочетании с тем фактом, что выходные эмбеддинги смещены на одну позицию, гарантирует, что предсказания для позиции $i$ могут зависеть только от известных выходов в позициях меньше $i$.

---

## 3.2 Attention

---

## 3.2 Внимание

---

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

---

Функция внимания может быть описана как отображение, которое преобразует запрос и набор пар ключ-значение в выходной вектор, при этом запрос, ключи, значения и выходной вектор являются векторами. Выход вычисляется как взвешенная сумма

---

<img src="images/4-3.png" style="zoom:70%; display: block; margin: 0 auto;" />

Figure 2: (left) Scaled Dot-Product Attention. (right) Multi-Head Attention consists of several attention layers running in parallel.

---

Рисунок 2: (слева) Масштабированное скалярное произведение внимания. (справа) Многоголовое внимание состоит из нескольких слоёв внимания, работающих параллельно.

---

of the values, where the weight assigned to each value is computed by a compatibility function of the query with the corresponding key.

---

значений, где вес, присваиваемый каждому значению, вычисляется с помощью функции совместимости запроса с соответствующим ключом.

---

## 3.2.1 Scaled Dot-Product Attention

---

## 3.2.1 Взвешенное скалярное произведение внимания

---

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 $\frac{1}{\sqrt{d_k}}$.

---

Мы называем наше особое внимание «Вниманием с масштабированным скалярным произведением» (рисунок 2). Входные данные состоят из запросов и ключей размерности $d_k$, а также значений размерности $d_v$. Мы вычисляем скалярные произведения запроса со всеми ключами, делим каждое на $\sqrt{d_k}$ и применяем функцию softmax для получения весов над значениями.

На практике мы вычисляем функцию внимания одновременно для набора запросов, объединённых в матрицу $Q$. Ключи и значения также объединяются в матрицы $K$ и $V$. Мы вычисляем матрицу выходных данных как:

$$
\text{Attention}(Q, K, V) = \text{softmax}(\frac{QK^T}{\sqrt{d_k}})V \tag{1}
$$

Двумя наиболее часто используемыми функциями внимания являются аддитивное внимание [2] и скалярное (мультипликативное) внимание. Скалярное внимание идентично нашему алгоритму, за исключением множителя масштабирования $\frac{1}{\sqrt{d_k}}$. Аддитивное внимание вычисляет функцию совместимости с использованием полносвязной сети с одним скрытым слоем. Хотя обе механизмы схожи по теоретической сложности, скалярное внимание на практике значительно быстрее и более эффективно по объёму памяти, поскольку его можно реализовать с помощью высокооптимизированного кода умножения матриц.

Хотя при малых значениях $d_k$ оба механизма работают аналогично, аддитивное внимание превосходит скалярное внимание без масштабирования при больших значениях $d_k$ [3]. Мы предполагаем, что при больших значениях $d_k$ скалярные произведения становятся большими по модулю, что переводит функцию softmax в области, где её градиенты чрезвычайно малы $^{4}$. Чтобы противодействовать этому эффекту, мы масштабируем скалярные произведения на $\frac{1}{\sqrt{d_k}}$.

---

## 3.2.2 Multi-Head Attention

---

## 3.2.2 Многоголовое внимание

---

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

---

Вместо выполнения одной функции внимания с ключами, значениями и запросами размерности $d_{\text{model}}$, мы обнаружили полезным линейно проецировать запросы, ключи и значения $h$ раз с помощью различных обучаемых линейных проекций в размерности $d_k$, $d_k$ и $d_v$ соответственно. На каждой из этих спроецированных версий запросов, ключей и значений мы затем выполняем функцию внимания параллельно, получая выходные данные размерности $d_v$.

---

$^4$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 $d_k$.

---

$^4$Чтобы проиллюстрировать, почему скалярные произведения становятся большими, предположим, что компоненты $q$ и $k$ являются независимыми случайными величинами со средним значением 0 и дисперсией 1. Тогда их скалярное произведение $q \cdot k = \sum_{i=1}^{d_k} q_i k_i$ имеет среднее значение 0 и дисперсию $d_k$.

---

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.

$$
\begin{align}
\text{MultiHead}(Q, K, V) &= \text{Concat}(\text{head}_1, ..., \text{head}_{\text{h}})W^O \\
\text{where } \text{head}_{\text{i}} &= \text{Attention}(QW_i^Q, KW_i^K, VW_i^V)
\end{align}
$$

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.

---

значения выходных данных. Они конкатенируются и снова проецируются, в результате чего получаются окончательные значения, как показано на рисунке 2.

Многоголовое внимание позволяет модели одновременно обращать внимание на информацию из различных подпространств представлений в разных позициях. При использовании одного механизма внимания усреднение подавляет эту возможность.

$$
\begin{align}
\text{MultiHead}(Q, K, V) &= \text{Concat}(\text{head}_1, ..., \text{head}_{\text{h}})W^O \\
\text{где } \text{head}_{\text{i}} &= \text{Attention}(QW_i^Q, KW_i^K, VW_i^V)
\end{align}
$$

Где матрицы проекций имеют параметры $W_i^Q \in \mathbb{R}^{d_{\text{model}} \times d_k}$, $W_i^K \in \mathbb{R}^{d_{\text{model}} \times d_k}$, $W_i^V \in \mathbb{R}^{d_{\text{model}} \times d_v}$ и $W^O \in \mathbb{R}^{hd_v \times d_{\text{model}}}$.

В данной работе мы используем $h = 8$ параллельных слоев внимания (головок). Для каждой из них мы применяем $d_k = d_v = d_{\text{model}}/h = 64$. Благодаря уменьшенной размерности каждой головки общая вычислительная стоимость аналогична стоимости однократного внимания с полной размерностью.

---

## 3.2.3 Applications of Attention in our Model

---

## 3.2.3 Применение механизма внимания в нашей модели

---

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.

---

Трансформер использует механизм многоголовочного внимания тремя различными способами:

*   В слоях «энкодер-декодер внимания» запросы поступают из предыдущего слоя декодера, а ключи и значения — из выхода энкодера. Это позволяет каждой позиции в декодере обращать внимание на все позиции во входной последовательности. Такой подход имитирует типичные механизмы внимания между энкодером и декодером, используемые в моделях преобразования последовательностей (sequence-to-sequence), таких как [38, 2, 9].
*   Энкодер содержит слои собственного внимания (self-attention). В слое собственного внимания все ключи, значения и запросы берутся из одного источника, в данном случае — из выхода предыдущего слоя энкодера. Каждая позиция в энкодере может обращать внимание на все позиции в предыдущем слое энкодера.
*   Аналогичным образом, слои собственного внимания в декодере позволяют каждой позиции в декодере обращать внимание на все позиции в декодере вплоть до текущей включительно. Чтобы сохранить авторегрессионное свойство, необходимо предотвратить поток информации слева направо в декодере. Мы реализуем это внутри механизма взвешенного скалярного произведения с масштабированием, маскируя (устанавливая значение $-\infty$) все элементы входа функции softmax, соответствующие недопустимым связям. См. Рис. 2.

---

## 3.3 Position-wise Feed-Forward Networks

---

## 3.3 Позиционно-ориентированные полносвязные сети

---

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.

$$
\mathrm{FFN}(x) = \max(0, xW_1 + b_1)W_2 + b_2 \tag{2}
$$

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 $d_{\mathrm{model}} = 512$, and the inner-layer has dimensionality $d_{ff} = 2048$.

---

Помимо подслоёв внимания, каждый слой в нашем кодировщике и декодере содержит полносвязную сеть прямого распространения, которая применяется отдельно и одинаково к каждой позиции. Она состоит из двух линейных преобразований с функцией активации ReLU между ними.

$$
\mathrm{FFN}(x) = \max(0, xW_1 + b_1)W_2 + b_2 \tag{2}
$$

Хотя линейные преобразования одинаковы для разных позиций, они используют различные параметры от слоя к слою. Другой способ описания этого — использование двух свёрток с размером ядра 1. Размерность входных и выходных данных составляет $d_{\mathrm{model}} = 512$, а размерность внутреннего слоя — $d_{ff} = 2048$.

---

## 3.4 Embeddings and Softmax

---

## 3.4 Векторные представления и 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 $\sqrt{d_{\text{model}}}$.

---

Аналогично другим моделям трансдукции последовательностей, мы используем обучаемые эмбеддинги для преобразования входных и выходных токенов в векторы размерности $d_{\text{model}}$. Мы также применяем стандартную обучаемую линейную трансформацию и функцию softmax для преобразования выхода декодера в вероятности предсказания следующего токена. В нашей модели мы разделяем одну и ту же матрицу весов между двумя слоями эмбеддингов и пред-softmax линейной трансформацией, как это сделано в [30]. В слоях эмбеддинга эти веса умножаются на $\sqrt{d_{\text{model}}}$.

---

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.

---

Таблица 1: Максимальные длины путей, вычислительная сложность на слой и минимальное количество последовательных операций для различных типов слоёв. $n$ — длина последовательности, $d$ — размерность представления, $k$ — размер ядра свёрток, а $r$ — размер окрестности в ограниченной само-аттенции.

---

| 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) | $O(r \cdot n \cdot d)$ | $O(1)$ | $O(n/r)$ |

---

| Тип слоя | Сложность на слой | Последовательные операции | Максимальная длина пути |
| :--- | :---: | :---: | :---: |
| Самоаттенция | $O(n^2 \cdot d)$ | $O(1)$ | $O(1)$ |
| Рекуррентный | $O(n \cdot d^2)$ | $O(n)$ | $O(n)$ |
| Сверточный | $O(k \cdot n \cdot d^2)$ | $O(1)$ | $O(\log_k(n))$ |
| Самоаттенция (ограниченная) | $O(r \cdot n \cdot d)$ | $O(1)$ | $O(n/r)$ |

---

## 3.5 Positional Encoding

---

## 3.5 Позиционное кодирование

---

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.

---

Поскольку наша модель не содержит рекуррентных и сверточных слоев, для того чтобы модель могла учитывать порядок последовательности, мы должны внедрить информацию о относительном или абсолютном положении токенов в последовательности. Для этого мы добавляем «позиционные кодировки» к входным эмбеддингам на нижних уровнях стеков энкодера и декодера. Позиционные кодировки имеют ту же размерность $d_{\text{model}}$, что и эмбеддинги, поэтому их можно суммировать. Существует множество вариантов позиционных кодировок — обучаемых и фиксированных [9].

В данной работе мы используем синусоидальные и косинусоидальные функции различных частот:

$$
\begin{align}
PE_{(pos,2i)} &= \sin(pos/10000^{2i/d_{\text{model}}}) \\
PE_{(pos,2i+1)} &= \cos(pos/10000^{2i/d_{\text{model}}})
\end{align}
$$

где $pos$ — это позиция, а $i$ — индекс измерения. То есть каждое измерение позиционной кодировки соответствует синусоиде. Длины волн образуют геометрическую прогрессию от $2\pi$ до $10000 \cdot 2\pi$. Мы выбрали эту функцию, поскольку предположили, что она позволит модели легко научиться обращать внимание на относительные позиции, так как для любого фиксированного смещения $k$ значение $PE_{pos+k}$ может быть представлено как линейная функция от $PE_{pos}$.

Мы также экспериментировали с использованием обучаемых позиционных эмбеддингов [9] вместо них и обнаружили, что обе версии дают практически идентичные результаты (см. строку (E) в таблице 3). Мы выбрали синусоидальный вариант, потому что он может позволить модели экстраполировать на длины последовательностей, превышающие те, которые встречались во время обучения.

---

## 4 Why Self-Attention

---

## 4 Почему само-внимание

---

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

---

В данном разделе мы сравниваем различные аспекты слоёв самовнимания со слоями рекуррентных и сверточных сетей, которые обычно используются для отображения одной последовательности символьных представлений переменной длины $(x_1, ..., x_n)$ в другую последовательность той же длины $(z_1, ..., z_n)$, где $x_i, z_i \in \mathbb{R}^d$, например, скрытый слой в типичном кодировщике или декодере для задач трансдукции последовательностей. Наш подход к использованию самовнимания мотивируется тремя требованиями.

Первое — это общая вычислительная сложность на слой. Второе — объём вычислений, которые можно распараллелить, что измеряется минимальным количеством последовательных операций, необходимых для выполнения.

Третье — длина пути между дальнодействующими зависимостями в сети. Обучение дальнодействующим зависимостям является ключевой проблемой во многих задачах трансдукции последовательностей. Один из ключевых факторов, влияющих на способность обучаться таким зависимостям, — это длина путей, которые должны пройти прямые и обратные сигналы в сети. Чем короче эти пути между любыми комбинациями позиций во входной и выходной последовательностях, тем легче научиться выявлять дальнодействующие зависимости [12]. Следовательно, мы также сравниваем максимальную длину пути между любыми двумя позициями входа и выхода в сетях, состоящих из различных типов слоёв.

Как показано в Таблице 1, слой самовнимания соединяет все позиции с постоянным числом последовательно выполняемых операций, тогда как рекуррентный слой требует $O(n)$ последовательных операций. С точки зрения вычислительной сложности слои самовнимания работают быстрее рекуррентных слоёв, когда последовательность

---

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.

---

длина $n$ меньше размерности представления $d$, что чаще всего имеет место для представлений предложений, используемых в современных моделях машинного перевода, таких как word-piece [38] и byte-pair [31]. Для улучшения вычислительной производительности при работе с очень длинными последовательностями можно ограничить механизм самовнимания рассмотрением только окрестности размера $r$ во входной последовательности, центрированной вокруг соответствующей позиции вывода. Это увеличит максимальную длину пути до $O(n/r)$. Мы планируем более подробно исследовать этот подход в будущих работах.

Один сверточный слой с шириной ядра $k < n$ не связывает все пары входных и выходных позиций. Для этого требуется стек из $O(n/k)$ сверточных слоев в случае непрерывных ядер или $O(\log_k(n))$ в случае сверток с пропусками [18], что увеличивает длину самых длинных путей между любыми двумя позициями в сети. Сверточные слои обычно дороже рекуррентных слоев в $k$ раз. Однако сепарабельные свертки [6] значительно снижают сложность до $O(k \cdot n \cdot d + n \cdot d^2)$. Даже при $k = n$ сложность сепарабельной свертки равна сложности комбинации слоя самовнимания и точечно-сверточного полносвязного слоя, который мы используем в нашей модели.

В качестве дополнительного преимущества самовнимание может обеспечивать большую интерпретируемость моделей. Мы анализируем распределения внимания наших моделей и приводим примеры в приложении, где также обсуждаем их. Оказывается, что отдельные головы внимания не только явно обучаются выполнять различные задачи, но многие из них демонстрируют поведение, связанное с синтаксической и семантической структурой предложений.

---

## 5 Training

---

## 5 Обучение

---

This section describes the training regime for our models.

---

В этом разделе описывается режим обучения наших моделей.

---

## 5.1 Training Data and Batching

---

## 5.1 Обучающие данные и батчинг

---

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.

---

Мы обучали модель на стандартном наборе данных WMT 2014 для перевода с английского на немецкий язык, который состоит примерно из 4,5 миллионов пар предложений. Предложения кодировались с помощью алгоритма byte-pair encoding [3], при этом общий словарь источника и цели содержал около 37 000 токенов. Для английского и французского языков мы использовали значительно более крупный набор данных WMT 2014, содержащий 36 миллионов предложений, и разбили токены на словарь из 32 000 word-piece элементов [38]. Пары предложений группировались в батчи приблизительно по длине последовательности. Каждый обучающий батч содержал набор пар предложений, включающий примерно 25 000 токенов в источнике и 25 000 токенов в цели.

---

## **5.2 Hardware and Schedule**

---

## **5.2 Аппаратное обеспечение и расписание**

---

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).

---

Мы обучали наши модели на одной машине с 8 графическими процессорами NVIDIA P100. Для наших базовых моделей, использующих гиперпараметры, описанные в статье, каждый шаг обучения занимал около 0,4 секунды. Мы обучали базовые модели в общей сложности 100 000 шагов или 12 часов. Для наших больших моделей (описанных в последней строке таблицы 3) время одного шага составляло 1,0 секунду. Большие модели обучались 300 000 шагов (3,5 дня).

---

## 5.3 Optimizer

---

## 5.3 Оптимизатор

---

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:

$$
lrate = d_{\text{model}}^{-0.5} \cdot \min(step\_num^{-0.5}, step\_num \cdot warmup\_steps^{-1.5}) \tag{3}
$$

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 $warmup\_steps = 4000$.

---

Мы использовали оптимизатор Adam [20] с параметрами $\beta_1 = 0.9$, $\beta_2 = 0.98$ и $\epsilon = 10^{-9}$. В процессе обучения мы изменяли скорость обучения в соответствии со следующей формулой:

$$
lrate = d_{\text{model}}^{-0.5} \cdot \min(step\_num^{-0.5}, step\_num \cdot warmup\_steps^{-1.5}) \tag{3}
$$

Это соответствует линейному увеличению скорости обучения на первых *warmup_steps* шагах обучения, а затем её пропорциональному уменьшению обратно пропорционально квадратному корню из номера шага. Мы использовали $warmup\_steps = 4000$.

---

## 5.4 Regularization

---

## 5.4 Регуляризация

---

We employ three types of regularization during training:

---

Во время обучения мы используем три типа регуляризации:

---

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.

---

Таблица 2: Трансформер демонстрирует более высокие результаты по метрике BLEU, чем предыдущие передовые модели, на тестовых наборах newstest2014 для перевода с английского на немецкий и с английского на французский языки, при этом затраты на обучение значительно ниже.

---

| Model | BLEU | | Training Cost (FLOPs) | |
| :--- | :---: | :---: | :---: | :---: |
| | 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 $P_{drop} = 0.1$.

---

**Остаточный Dropout** Мы применяем dropout [33] к выходу каждого подслоя перед тем, как он будет добавлен ко входу подслоя и нормализован. Кроме того, мы применяем dropout к суммам эмбеддингов и позиционных кодировок в стеках энкодера и декодера. Для базовой модели мы используем вероятность отключения $P_{drop} = 0.1$.

---

**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.

---

**Сглаживание меток** Во время обучения мы использовали сглаживание меток со значением $\epsilon_{ls} = 0.1$ [36]. Это ухудшает перплексность, поскольку модель учится быть менее уверенной, но повышает точность и оценку BLEU.

---

## 6 Results

---

## 6 Результаты

---

## 6.1 Machine Translation

---

## 6.1 Машинный перевод

---

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 $^5$.

---

На задаче машинного перевода с английского на немецкий язык WMT 2014 большая модель трансформера (Transformer (big) в таблице 2) превосходит лучшие ранее опубликованные модели (включая ансамбли) более чем на 2.0 BLEU, устанавливая новый рекордный результат BLEU — 28.4. Конфигурация этой модели приведена в последней строке таблицы 3. Обучение заняло 3,5 дня на 8 GPU P100. Даже наша базовая модель превосходит все ранее опубликованные модели и ансамбли при значительно меньших затратах на обучение по сравнению с любыми конкурентными моделями.

На задаче машинного перевода с английского на французский язык WMT 2014 наша большая модель достигает показателя BLEU 41.0, превосходя все ранее опубликованные одиночные модели при стоимости обучения менее чем в четверть от стоимости предыдущей лучшей модели. Для модели Transformer (big), обученной для перевода с английского на французский, использовалась вероятность дропаута $P_{drop} = 0.1$ вместо 0.3.

Для базовых моделей мы использовали одну модель, полученную усреднением последних 5 контрольных точек, которые записывались с интервалом в 10 минут. Для больших моделей мы усредняли последние 20 контрольных точек. Мы использовали поиск с жучком (beam search) размером жучка 4 и штрафом за длину $\alpha = 0.6$ [38]. Эти гиперпараметры были выбраны после экспериментов на наборе разработки. Максимальная длина вывода во время инференса была установлена равной длине входа плюс 50, но досрочное завершение применялось, когда это возможно [38].

Таблица 2 обобщает наши результаты и сравнивает качество перевода и затраты на обучение с другими архитектурами моделей из литературы. Мы оцениваем количество операций с плавающей запятой, использованных для обучения модели, умножая время обучения, количество использованных GPU и оценку устойчивой производительности каждой GPU в одинарной точности $^5$.

---

## 6.2 Model Variations

---

## 6.2 Вариации модели

---

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

---

Чтобы оценить важность различных компонентов архитектуры Transformer, мы изменяли нашу базовую модель различными способами, измеряя изменение производительности при переводе с английского на немецкий язык на

---

$^5$We used values of 2.8, 3.7, 6.0 and 9.5 TFLOPS for K80, K40, M40 and P100, respectively.

---

$^5$Мы использовали значения 2,8; 3,7; 6,0 и 9,5 TFLOPS для K80, K40, M40 и P100 соответственно.

---

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.

---

Таблица 3: Варианты архитектуры Transformer. Значения, не указанные в таблице, идентичны значениям базовой модели. Все метрики приведены для набора данных разработки перевода с английского на немецкий язык newstest2013. Указанные перплексии рассчитаны на основе wordpiece согласно нашей байт-парной кодировке и не должны сравниваться с перплексиями, рассчитанными на основе слов.

---

| | $N$ | $d_{\text{model}}$ | $d_{\text{ff}}$ | $h$ | $d_k$ | $d_v$ | $P_{drop}$ | $\epsilon_{ls}$ | 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.

---

набор для разработки, newstest2013. Мы использовали поиск с пучком (beam search), как описано в предыдущем разделе, но без усреднения контрольных точек. Эти результаты представлены в таблице 3.

В строках (A) таблицы 3 мы варьируем количество голов внимания и размерность ключей и значений внимания, сохраняя объём вычислений постоянным, как описано в разделе 3.2.2. Хотя однократное внимание уступает лучшему варианту на 0,9 балла BLEU, качество также снижается при слишком большом количестве голов.

В строках (B) таблицы 3 мы наблюдаем, что уменьшение размера ключа внимания $d_k$ ухудшает качество модели. Это указывает на то, что определение совместимости — задача нетривиальная, и может оказаться полезной более сложная функция совместимости, чем скалярное произведение. В строках (C) и (D) мы дополнительно наблюдаем, что, как и ожидалось, большие модели работают лучше, а dropout очень помогает избежать переобучения. В строке (E) мы заменяем наше синусоидальное позиционное кодирование на обучаемые позиционные эмбеддинги [9] и наблюдаем результаты, практически идентичные базовой модели.

---

## 6.3 English Constituency Parsing

---

## 6.3 Синтаксический разбор английского языка

---

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

---

Чтобы оценить, может ли Transformer обобщаться на другие задачи, мы провели эксперименты по синтаксическому разбору английских предложений. Эта задача представляет собой специфические вызовы: вывод подвержен строгим структурным ограничениям и значительно длиннее входа. Кроме того, рекуррентные модели последовательность-в-последовательность не смогли достичь лучших результатов в условиях малых данных [37].

Мы обучили 4-слойный трансформер с $d_{model} = 1024$ на части Penn Treebank [25], соответствующей газете Wall Street Journal (WSJ), примерно 40K обучающих предложений. Мы также обучали его в полу-неконтролируемой настройке, используя более крупные корпуса BerkleyParser и высоконадежные данные из [37] с примерно 17M предложений. Для настройки только WSJ использовался словарь из 16K токенов, а для полу-неконтролируемой настройки — словарь из 32K токенов.

Мы провели лишь небольшое количество экспериментов для выбора параметров dropout как для внимания, так и для остаточных связей (раздел 5.4), а также скор обучения и размера луча на разделе 22 набора данных для разработки; все остальные параметры остались неизменными по сравнению с базовой моделью перевода с английского на немецкий. Во время вывода мы

---

Table 4: The Transformer generalizes well to English constituency parsing (Results are on Section 23 of WSJ)

---

Таблица 4: Трансформер хорошо обобщается для синтаксического разбора английских конституций (Результаты представлены в разделе 23 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 |

---

| Парсер | Обучение | WSJ 23 F1 |
| :---: | :---: | :---: |
| Vinyals & Kaiser et al. (2014) [37] | только WSJ, дискриминативное | 88.3 |
| Petrov et al. (2006) [29] | только WSJ, дискриминативное | 90.4 |
| Zhu et al. (2013) [40] | только WSJ, дискриминативное | 90.4 |
| Dyer et al. (2016) [8] | только WSJ, дискриминативное | 91.7 |
| Трансформер (4 слоя) | только WSJ, дискриминативное | 91.3 |
| Zhu et al. (2013) [40] | полу-контролируемое | 91.3 |
| Huang & Harper (2009) [14] | полу-контролируемое | 91.3 |
| McClosky et al. (2006) [26] | полу-контролируемое | 92.1 |
| Vinyals & Kaiser et al. (2014) [37] | полу-контролируемое | 92.1 |
| Трансформер (4 слоя) | полу-контролируемое | 92.7 |
| Luong et al. (2015) [23] | многозадачное | 93.0 |
| Dyer et al. (2016) [8] | генеративное | 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.

---

увеличили максимальную длину вывода до длины входа + 300. Мы использовали размер луча 21 и $\alpha = 0.3$ как для режима только WSJ, так и для полунезависимого обучения.

Наши результаты в таблице 4 показывают, что, несмотря на отсутствие специфической для задачи настройки, наша модель демонстрирует удивительно хорошие результаты, превосходя все ранее опубликованные модели, за исключением Recurrent Neural Network Grammar [8].

В отличие от рекуррентных моделей последовательность-в-последовательность [37], Transformer превосходит Berkeley-Parser [29] даже при обучении только на обучающем наборе WSJ из 40 тысяч предложений.

---

## 7 Conclusion

---

## 7 Заключение

---

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.

---

В данной работе мы представили модель Transformer, первую модель трансдукции последовательностей, основанную исключительно на механизме внимания, которая заменяет рекуррентные слои, наиболее часто используемые в архитектурах «кодировщик-декодировщик», на многоголовое самовнимание.

Для задач машинного перевода модель Transformer может обучаться значительно быстрее по сравнению с архитектурами, основанными на рекуррентных или сверточных слоях. На задачах перевода WMT 2014 (английский → немецкий) и WMT 2014 (английский → французский) мы достигли нового состояния искусства (state of the art). В первой из этих задач наша лучшая модель превзошла даже все ранее опубликованные ансамбли моделей.

Мы с воодушевлением смотрим в будущее моделей, основанных на внимании, и планируем применять их к другим задачам. Мы намерены расширить применение Transformer на задачи, включающие входные и выходные модальности, отличные от текста, а также исследовать локальные и ограниченные механизмы внимания для эффективной обработки больших объемов входных и выходных данных, таких как изображения, аудио и видео. Еще одной нашей исследовательской целью является снижение степени последовательности процесса генерации.

Код, который мы использовали для обучения и оценки наших моделей, доступен по адресу https://github.com/tensorflow/tensor2tensor.

**Благодарности** Мы выражаем благодарность Налу Калчбреннеру и Стефану Гауссу за их плодотворные комментарии, исправления и вдохновение.

---

## References

---

## Список литературы

---

[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] Джимми Лэй Ба, Джейми Райан Киррос и Джеффри Э. Хинтон. Нормализация слоёв. *arXiv preprint arXiv:1607.06450*, 2016.

[2] Дзмитрий Баданау, Кюнхён Чхо и Ёшуа Бенджио. Нейронный машинный перевод путём совместного обучения выравниванию и переводу. *CoRR*, abs/1409.0473, 2014.

[3] Денни Бритц, Анна Голдье, Мин-Тханг Луонг и Куок В. Ле. Масштабное исследование архитектур нейронного машинного перевода. *CoRR*, abs/1703.03906, 2017.

[4] Цзяньпэн Чэн, Ли Дун и Мирелла Лапата. Долгая краткосрочная память для машинного чтения. *arXiv preprint arXiv:1601.06733*, 2016.

---

[5] Kyunghyun Cho, Bart van Merrienboer, 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] Кюнхён Чо, Барт ван Мерренбур, Чаглар Гюльчехре, Фетхи Бугарес, Хольгер Швенк и Ёшуа Бенгио. Обучение представлений фраз с использованием RNN-кодировщика-декодера для статистического машинного перевода. *CoRR*, abs/1406.1078, 2014.

[6] Франсуа Шоле. Xception: глубокое обучение с глубокими разделимыми свёртками. *arXiv preprint arXiv:1610.02357*, 2016.

[7] Джунён Чхонг, Чаглар Гюльчехре, Кюнхён Чо и Ёшуа Бенгио. Эмпирическая оценка затворных рекуррентных нейронных сетей при моделировании последовательностей. *CoRR*, abs/1412.3555, 2014.

[8] Крис Дайер, Адхугуна Кунчоро, Мигель Баллестерос и Ноуэ А. Смит. Грамматики рекуррентных нейронных сетей. В *Proc. of NAACL*, 2016.

[9] Йонас Геринг, Майкл Аули, Дэвид Гранжье, Денис Ярат и Янн Н. Дофин. Сверточное обучение «последовательность-в-последовательность». *arXiv preprint arXiv:1705.03122v2*, 2017.

[10] Алекс Грейвес. Генерация последовательностей с помощью рекуррентных нейронных сетей. *arXiv preprint arXiv:1308.0850*, 2013.

[11] Каймин Хе, Сянъюй Чжан, Шаочин Рен и Цзянь Сунь. Глубокое остаточное обучение для распознавания изображений. В *Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition*, страницы 770–778, 2016.

[12] Сепп Хохрейтер, Ёшуа Бенгио, Паоло Фрасконьи и Юрген Шмидхубер. Поток градиентов в рекуррентных сетях: сложность обучения долгосрочным зависимостям, 2001.

[13] Сепп Хохрейтер и Юрген Шмидхубер. Долгая краткосрочная память. *Neural computation*, 9(8):1735–1780, 1997.

[14] Чжунцянь Хуанг и Мэри Харпер. Самостоятельное обучение грамматик PCFG со скрытыми аннотациями на разных языках. В *Proceedings of the 2009 Conference on Empirical Methods in Natural Language Processing*, страницы 832–841. ACL, август 2009.

[15] Рафал Жожефович, Ориол Виньялс, Майк Шустер, Ноам Шазер и Юнхуй У. Исследование пределов языкового моделирования. *arXiv preprint arXiv:1602.02410*, 2016.

[16] Лукаш Каицер и Самми Бенгио. Может ли активная память заменить внимание? В *Advances in Neural Information Processing Systems, (NIPS)*, 2016.

[17] Лукаш Каицер и Илья Сутскевер. Нейронные графы учат алгоритмы. В *International Conference on Learning Representations (ICLR)*, 2016.

[18] Нал Кальчбреннер, Лассе Эспешолт, Карен Симоньян, Аарон ван ден Орд, Алекс Грейвес и Корай Кавукчуоглу. Нейронный машинный перевод за линейное время. *arXiv preprint arXiv:1610.10099v2*, 2017.

[19] Юн Ким, Карл Дентон, Луонг Хоанг и Александр М. Раш. Структурированные сети внимания. В *International Conference on Learning Representations*, 2017.

[20] Дидьер Кингма и Джимми Ба. Adam: метод стохастической оптимизации. В *ICLR*, 2015.

[21] Олексий Кучаев и Борис Гинзбург. Трюки факторизации для сетей LSTM. *arXiv preprint arXiv:1703.10722*, 2017.

[22] Чжоухань Линь, Минвэй Фэн, Сисиро Ногейра душ Сантуш, Мо Ю, Бин Сян, Боуэн Чжоу и Ёшуа Бенгио. Структурированное самовнимание для встраивания предложений. *arXiv preprint arXiv:1703.03130*, 2017.

[23] Минь-Тханг Лыонг, Куок В. Ле, Илья Сутскевер, Ориол Виньялс и Лукаш Каицер. Многозадачное обучение «последовательность-в-последовательность». *arXiv preprint arXiv:1511.06114*, 2015.

[24] Минь-Тханг Лыонг, Хieu Фам и Кристофер Д. Мэннинг. Эффективные подходы к нейронному машинному переводу на основе внимания. *arXiv preprint 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] Митчелл П. Маркус, Мэри Энн Марцинкiewicz и Беатрис Санторини. Создание большой аннотированной корпусной базы данных английского языка: Пенсильванский деревообразный корпус. *Вычислительная лингвистика*, 19(2):313–330, 1993.

[26] Дэвид МакКоски, Евгений Чарниак и Марк Джонсон. Эффективное самонаучение для синтаксического разбора. В *Труды конференции по технологиям обработки естественного языка NAACL, Основная конференция*, страницы 152–159. ACL, июнь 2006.

[27] Анкур Парих, Оскар Тэкстрём, Дипанджан Дас и Якоб Ускорейт. Модель декомпозируемого внимания. В *Эмпирические методы в обработке естественного языка*, 2016.

[28] Ромэн Полус, Цаймин Хуан и Ричард Сохер. Глубокая модель с подкреплением для абстрактного суммирования. *Предварительная публикация arXiv arXiv:1705.04304*, 2017.

[29] Слав Петров, Леон Барретт, Ромэн Тибо и Дэн Клайн. Обучение точных, компактных и интерпретируемых деревьев аннотаций. В *Труды 21-й Международной конференции по вычислительной лингвистике и 44-го ежегодного собрания ACL*, страницы 433–440. ACL, июль 2006.

[30] Офир Пресс и Лиор Вольф. Использование выходных эмбеддингов для улучшения языковых моделей. *Предварительная публикация arXiv arXiv:1608.05859*, 2016.

[31] Рико Сеннерлих, Барри Хэддоу и Александра Бирч. Нейронный машинный перевод редких слов с использованием субсловных единиц. *Предварительная публикация arXiv arXiv:1508.07909*, 2015.

[32] Ноам Шацер, Азалия Мирхосейни, Кшиштоф Мазярчик, Энди Дэвис, Куо Ле, Джеффри Хинтон и Джефф Диен. Невероятно большие нейронные сети: слой смешанных экспертов с разреженными весами. *Предварительная публикация arXiv arXiv:1701.06538*, 2017.

[33] Нитиш Шривастав, Джеффри Э. Хинтон, Алекс Крижевски, Илья Сутскевер и Руслан Салахутдинов. Dropout: простой способ предотвратить переобучение нейронных сетей. *Журнал исследований машинного обучения*, 15(1):1929–1958, 2014.

[34] Сайбайар Сухбаттар, Артур Залем, Джейсон Уэстон и Роб Фергюсон. Память от начала до конца. В C. Кортеc, N. Д. Лоуренс, D. Д. Ли, M. Суджимана и Р. Гарнетт, редакторы, *Достижения в области систем обработки информации 28*, страницы 2440–2448. Curran Associates, Inc., 2015.

[35] Илья Сутскевер, Ориол Виньялс и Куо В.В. Ле. Обучение последовательностей к последовательностям с помощью нейронных сетей. В *Достижения в области систем обработки информации*, страницы 3104–3112, 2014.

[36] Кристиан Сиджеди, Винсент Ванхоук, Сергей Иоффе, Джонатон Шленс и Збигнев Война. Переосмысление архитектуры Inception для компьютерного зрения. *CoRR*, abs/1512.00567, 2015.

[37] Виньялс и Каисер, Ко, Петров, Сутскевер и Хинтон. Грамматика как иностранный язык. В *Достижения в области систем обработки информации*, 2015.

[38] Юнхуй Ву, Майк Шустер, Чжи Фэн Чэнь, Куо В. Ле, Мохаммад Нороузи, Вольфганг Махерей, Максим Крикун, Юань Гао, Цзинь Гао, Клаус Махерей и др. Система нейронного машинного перевода Google: преодоление разрыва между человеческим и машинным переводом. *Предварительная публикация arXiv arXiv:1609.08144*, 2016.

[39] Цзе Чжоу, Ин Цао, Сю Гуан Ван, Пэн Ли и Вэй Сю. Глубокие рекуррентные модели с быстрыми соединениями для нейронного машинного перевода. *CoRR*, abs/1606.04199, 2016.

[40] Му Хуа Чжу, Юэ Чжан, Вэньлян Чэнь, Мин Чжан и Цзинбо Чжу. Быстрый и точный разбор составных частей на основе сдвиговых операций. В *Труды 51-го ежегодного собрания ACL (Том 1: Длинные статьи)*, страницы 434–443. ACL, август 2013.

---

---

<img src="images/13-1.png" style="zoom:70%; display: block; margin: 0 auto;" />

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.

---

Рисунок 3: Пример механизма внимания, выявляющего далеко расположенные зависимости в само-внимании энкодера на слое 5 из 6. Многие головы внимания обращаются к отдалённой зависимости глагола ‘making’, завершая фразу ‘making...more difficult’. На рисунке показано внимание только для слова ‘making’. Разные цвета соответствуют разным головам. Лучше всего просматривать в цвете.

---

<img src="images/14-0.png" style="zoom:70%; display: block; margin: 0 auto;" />

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.

---

Рисунок 4: Два механизма внимания, также находящиеся в слое 5 из 6, по-видимому, участвуют в разрешении анафоры. Вверху: полные матрицы внимания для механизма 5. Внизу: изолированные векторы внимания только для слова 'its' (его/её) для механизмов внимания 5 и 6. Обратите внимание, что распределения внимания для этого слова очень острые.

---

<img src="images/15-0.png" style="zoom:70%; display: block; margin: 0 auto;" />

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.

---

Рисунок 5: Многие головы внимания демонстрируют поведение, которое, по-видимому, связано со структурой предложения. Мы приводим два таких примера выше, взятых из двух разных голов самовнимания энкодера на слое 5 из 6. Очевидно, что эти головы научились выполнять различные задачи.

---