深度学习/神经网络虽然在各个领域取得了很大进展，但经常面临梯度爆炸和梯度消失问题。对于Transformer这种大型网络更是。ReZero是本文提出的用于训练更深神经网络的框架。总的来说，ReZero能够使网络具有更深的层次以及更快的收敛速度。
ReZero
研究者们通常通过三项技术解决梯度消失与梯度爆炸问题：1）精心初始化；2）正则化，即BatchNorm或者LayerNorm；3）残差连接。但是这些技术增加了计算开销，同时也具有局限性。其中，一些典型的方法如下表所示：
其中，F表示任意的神经网络层，Norm表示正则化，比如BatchNorm或者LayerNorm。
水平有限，理论证明部分就不做讲解，这里简单介绍ReZero的做法。ReZero全称是Residual with Zero initialization，它是对深层残差网络的体系结构的简单更改，有利于动态等距(dynamical isometry)并实现对极深网络的有效训练。它不是在初始化时通过每个非平凡函数(F[W_i])传播信号，而是添加skip连接，然后通过一个可学习的参数缩放该函数，这个参数称为残差权重，并且一开始初始化为0。因此在ReZero中信号传播方式如下：
[mathbf{x}_{i+1} = mathbf{x}_i + alpha_i F[W_i](mathbf{x}_i)
]
在初始时，所有的(alpha_i)都等于0，因此网络表示恒等函数，此时直接满足动态等距。然后模型逐渐学习到正确的权重。
实验
论文对于全连接层，Transformer和残差网络均进行了实验，并证明ReZero可以更快更深。
思考
看起来论文的做法非常简单，对模型的改动也非常小，而且也是模型独立的。如果真的有效，确实是一个比较有用的发现。