Lingvo 是一個能夠為協作式深度學習研究提供完整解決方案的 Tensorflow 框架，尤其關注序列到序列模型。Lingvo 模型由模塊化構件組成，這些構件靈活且易于擴展，實驗配置集中且可定制。分布式訓練和量化推理直接在框架內得到支持，框架內包含大量 utilities、輔助函數和最新研究思想的現有實現。過去兩年里，Lingvo 已被數十個研究人員在 20 篇論文中協作使用。本文作為對框架各個部分的介紹，概述了 Lingvo 的基本設計，同時還提供了展示框架能力的高級功能示例。

自然語言處理在過去一年取得了很大進步，但直接關注 NLP 或序列建模的框架還很少。本文介紹了谷歌開源的 Lingvo，它是一種建立在 TensorFlow 上的序列建模框架。該框架重點關注協作實現與共享代碼庫，能極大提升代碼復用與研究迭代速度，NLP 的今年就靠你了～

Lingvo 是世界語（Esperanto）中的一個單詞，它表示「語言」的意思。這一命名展示了 Lingvo 框架的根源：它是由 TensorFlow 開發的通用深度學習框架，它重點關注自然語言處理相關的序列建模方法，包括機器翻譯、語音識別和語音合成等。

項目地址：github.com/tensorflow/…

在谷歌內部，Lingvo 框架非常有吸引力，使用它的研究人員越來越多。目前，有數十篇獲得 SOTA 結果的論文都通過 Lingvo 框架得到了最優的復現，當然開源后將會有越來越多的新實現。從傳統的 RNN 序列模型到目前流行的 Transformer，再到包含變分自編碼器模塊的前沿模型，Lingvo 支持的序列建模架構非常多。

為了支持研究社區并鼓勵復現研究論文，谷歌開源了這項框架。他們表示以后谷歌發布的一些序列建模新研究也會嘗試采用 Lingvo 框架，它的便捷性將提升 NLP 研究的速度。

Lingvo 主要支持大量研究團體在一個共享代碼庫中從事語音和自然語言處理相關問題的研究。它的設計原則如下：

• 單個代碼塊應該精細且模塊化，它們會使用相同的接口，同時也容易擴展；
• 實驗應該是共享的、可比較的、可復現的、可理解的和正確的；
• 性能應該可以高效地擴展到生產規模的數據集，或擁有數百個加速器的分布式訓練系統；
• 當模型從研究轉向產品時應該盡可能共享代碼。

圖 1：Lingvo 框架整體結構，它展示了模型如何進行實例化、訓練、評估和部署。

Lingvo 是在考慮協作研究的基礎上構建的，它主要通過在不同任務之間共享公共層的實現，從而提升代碼的復用程度。此外，所有層都實現了相同的公共接口，并以相同的方式布局代碼結構。這不僅會產生更簡潔和易讀的代碼，同時其它任務上的改良也可以便捷地應用到我們的任務上。實現這種一致性代碼確實會有更多的成本，例如更加規范和模板化的代碼。但是 Lingvo 也在嘗試減少這種成本，以確保更快地迭代研究成果。

協作的另一個方面是共享可復現的結果。Lingvo 為檢查模型超參數配置提供了集中的地址，這不僅可以記錄重要的實驗，同時通過訓練相同的模型，其它研究者可以更輕松地復現我們的研究成果。

def Task(cls): p = model.AsrModel.Params() p.name = 'librispeech' # Initialize encoder params. ep = p.encoder # Data consists 240 dimensional frames (80 x 3 frames), which we # re-interpret as individual 80 dimensional frames. See also, # LibrispeechCommonAsrInputParams. ep.input_shape = [None, None, 80, 1] ep.lstm_cell_size = 1024 ep.num_lstm_layers = 4 ep.conv_filter_shapes = [(3, 3, 1, 32), (3, 3, 32, 32)] ep.conv_filter_strides = [(2, 2), (2, 2)] ep.cnn_tpl.params_init = py_utils.WeightInit.Gaussian(0.001) # Disable conv LSTM layers. ep.num_conv_lstm_layers = 0 # Initialize decoder params. dp = p.decoder dp.rnn_cell_dim = 1024 dp.rnn_layers = 2 dp.source_dim = 2048 # Use functional while based unrolling. dp.use_while_loop_based_unrolling = False tp = p.train tp.learning_rate = 2.5e-4 tp.lr_schedule = lr_schedule.ContinuousLearningRateSchedule.Params().Set( start_step=50000, half_life_steps=100000, min=0.01) # Setting p.eval.samples_per_summary to a large value ensures that dev, # devother, test, testother are evaluated completely (since num_samples for # each of these sets is less than 5000), while train summaries will be # computed on 5000 examples. p.eval.samples_per_summary = 5000 p.eval.decoder_samples_per_summary = 0 # Use variational weight noise to prevent overfitting. p.vn.global_vn = True p.train.vn_std = 0.075 p.train.vn_start_step = 20000 return p 
復制代碼 

代碼1：Lingvo 中的任務配置示例。每個實驗的超參數都是在其所屬的類中配置的，與構建網絡和檢查版本控制的代碼不同。

雖然 Lingvo 一開始重點關注 NLP，但它本質上非常靈活。用于圖像分割和點云分類任務的模型已經使用該框架成功實現。它還支持知識蒸餾、GAN 和多任務模型。同時，該框架沒有因為便捷而犧牲速度，它具有優化的輸入流程和快速的分布式訓練。最后，Lingvo 還著眼于生產化，甚至有一條明確的路徑來將模型移植到移動端。

論文：Lingvo: a Modular and Scalable Framework for Sequence-to-Sequence Modeling

論文地址：arxiv.org/abs/1902.08…