transformer算法详解

一、背景

NLP作为AI的子领域，一直以来被认为比较难的学科。特征抽取一直以来都作为NLP的核心任务。概况来说在深度学习为基础的体系中，特征抽取经历了以下几个阶段：DNN->CNN->RNN->Transformer。自从2017年6月份《Attention is all you need》论文作为机器翻译算法提出后，transform已经逐步替代了以CNN和RNN为首的特征抽取，特别是2018年bert一战成名后，目前所有的主流方法几乎都是transformer系的变体。

二、架构

• 1.和大多数seq2seq模型一样，transformer的结构也是由encoder和decoder组成。
• 2.我们可以将transformer看做黑盒，例如将 I love you ->黑盒->我爱你。
• 3.在张量层面的黑盒理解，比如batch为N，每句话word个数为L，每个word的的embedding长度为D，字典中单词个数为V。（N,L,D）->transformer-> (N1,L1,D1)。然后用$(N1,L1,D1)\ast (V,D{)}^T$得到(N1,L1,V)，最后通过softmax((N1,L1,V))得到在最后一维度V中，概率最大的字。

三、架构的理解

transformer可以分为两个模块Encode模块和Decode模块。Encode模块可以分为两个子模块，Decode模块可以分为三个子模块，其中第二和第三个和Encode的两个子模块相同。

1.Encode模块 *N

 每个模型前面要加上 Input Embedding + Postional Embedding

• (1)Multi-Head Attention:多头注意力机制
  add & norm
• (2)Feed Forward:前馈网络
  add & norm

2.Decode模块 *N

 每个模型前面要加上 Input Embedding + Postional Embedding

• (1) Masked Multi-Head Attention:遮蔽多头注意力机制
  add & norm
• (2)Multi-Head Attention:多头注意力机制
  add & norm
• (3)Feed Forward:前馈网络
  add & norm

四、Encode层

1. Input Embedding

根据输入input ,初始化词典的每个字的Embedding,可以按照正态分布或者其他的方式

2. Postional Embedding

位置信息可以用两种方式来定义：
1.归纳偏置和一些经验得出的函数
2.向Bert一样学习得到
transformer是用的第一种，原因可以参考：
https://www.zhihu.com/question/347678607/answer/864217252

3. Multi-Head Attention

这是创新的重点：

我们对这个式子做直观上的解释：
1.首先，Q、K、V都是(N,L,D)的张量，对于第第一维N主要是做并行计算的，我们暂且去掉，那么Q、K、V都是(L,D)的矩阵了。
2.那么$Q{K}^T=(L_q,L_k)$的矩阵了，这样每个字就能看到其他字的意思了，就能知道这个字所在的前后语境了。
3.其中因子$\surd d_k$起到调节作用，使得内积不至于太大（太大的话softmax后就非0即1了，不够“soft”了）
4.通过softmax做归一化，权重调节，让当前词语知道前后此所占的权重，然后乘V

4. add & norm

1.add:这个是每个子模块都有的操作，意思是每个环节的特征变换之后都加上这个环节变换之前的值，目的是防止模型跑偏。
2.layer Normalization
对特征做标准化：减去均值/标准差

5. Feed Forward

加个前馈神经网络

三、Decode层

和Encoder相同的模型不在讲解了，直讲解不同 的模块

1、Output Embedding

注意，output输入的内容，输入的内容包含了两层含义：
1.输入label
2.输入特征
这里要注意，输入的output前面会加入$<s>$标志位。标志位只占一个字符

输入label容易理解，输入特征不好理解。我们以英文翻译为中文为例。
则input 输入为： I love you.
output输入为：$<s>$ 我 爱 你

2、Masked Multi-Head Attention

为什么要加入标志位$<s>$呢？我们在做翻译任务的时候，都是一句话东第一个字开始翻译，逐渐到最后一个字。在翻译第一个字我的时候是根据标志位$<s>$的输入开始的。

注意：
我们在做翻译任务的时候，并不是完全根据英文直接翻译成中文的。而是根据整个英文+已经翻译出来的中文来预测下一个要翻译的中文。
例如：
 预测 “我”是根据： “I love you ” + ""  预测 “我”
 预测 “爱”是根据： “I love you ” + "我"  预测 “爱”
  预测 “你”是根据： “I love you ” + "我爱"  预测 “你”

• 结论：所以说我们预测中文的输入output也会输入特征。
• 原理：
  如何实现这种方式呢，就通过 Masked Multi-Head Attention。
  其实原理和Multi-Head Attention一样，只不过把要预测的部分masked掉。

如何masked

这个子模块的输入依然是Q、K、V，计算到：那么$Q{K}^T=(L_q,L_k)$的矩阵的时候如下：

行：Q
列：V
我们的目标是让当前的字，不能看到后面的字的意思，所有要把后面的字masked掉。

形成一个下三角矩阵。

这样在$Q{K}^T=(L_q,L_k)$之后形成一个下三角矩阵，那么整个Attention就无法获取到后面的信息了。