深度学习 | (7) 有了Transformer框架后是不是RNN完全可以废弃了？_请问现在有transformer了,还有哪非要用rnn吗?

见解1

原文地址

有了Transformer框架后RNN完全可以废弃，这个观点荒谬至极。

举一个例子：
除了个别探索，所有seq2seq的decoder都是一种rnn结构，不管是基于cnn的还是transformer的。说实话，我甚至觉得将decoder部分直接换成lstm等结构效果会更好。

此外，大家都说transformer快而rnn慢，君不见transformer的效率是O(n^2)而rnn和cnn都是O(n)，对于真正长的序列，transformer不管在速度上还是显存上都是瓶颈。

还有，大家觉得transformer的成功，是因为有bert这样的预训练模型可用，如果没有呢？随便给你一个（时间）序列数据集，你真有信心认为基于attention的模型比随便来两层lstm要好?

见解2

原文地址

我们首先区分一个概念：广义Transformer和狭义Transformer，狭义Transformer指Attention is all you need那个结构，包含一个encoder一个decoder；广义Transformer指self-attention机制的各种应用。下面是我个人一些理解，感觉可能有不对或者不完整的

1. 狭义Transformer在大数据的情况下超过RNN一点问题没有，而且是显著的超，目前在很多大数据任务都验证了，比如WMT数据集的机器翻译，BERT，以及最近的TTS（语音合成）。
2. 狭义的Transformer在跑中等数据集（一百万）或者小数据（几万或者几千）和RNN谁好谁坏不一定，可能靠调参，不是那种直接默认参数配置就会比RNN好，我简单的跑过中等数据集的对话（Twitter）和摘要（CNN DailyMail），感觉没好多少。小数据反而更容易过拟合，按照一些paper报的结果反而RNN好
3. 广义的Transformer又是另一个故事了，我个人理解self attention机制几乎在所有任务上好好调都有用，比如分类，阅读理解（QANet），小规模s2s（Universal Transformer）。比如QAnet和Universal Transformer大家如果有兴趣可以看一看，通过自己的Recurrent机制，能给性能带来很大的增益。Multi head attention和简单的Self attention都是很有用的结构上的trick
4. 我忘了是ACL的哪篇文章了，做过一个实验。RNN对于50个词之前的词顺序就不敏感了，而对于100个词之前的就完全忘了，所以RNN在长序列上肯定是有问题的。不过Transformer的位置信息只靠Position Embedding，我个人觉得可能也有提升空间