NLP之Self-Attention和Transformer（通俗易懂的解释）

以下图片来自李宏毅老师的PPT截图，李宏毅老师的视频对这部分讲的很清楚，看了以后有了很清晰的认识。

一、研究背景

如下图所示，b¹、b²、b³、b⁴、用Self-Attention可以同时计算，而在RNN中不能够同时被计算，即解决RNN无法并行化的问题。

二、Self-Attention实现原理

1、在把各个词送入Self-Attention之前先将其乘以一个特征矩阵，以特征化的表示各个单词，然后将其送入Self-Attention中（词嵌入的方法，Word embedding），即aⁱ=Wxⁱ，然后把不同的a乘上不同的矩阵W变为向量q（去匹配其他向量）、k（被匹配）、v（要被抽取出的information），如下图所示：

2.然后用每个向量q去对每个k做attention，这里公式除以根号d是为了平衡q和k乘的时候方差太大。如下图：

3.然后做Soft-max，如下图：

4.从下图可以看出输出的向量b¹可以考虑整个句子的信息。


综上四步，其实整个框架就是下图这个样子（所有向量可以被平行化计算）：

三、Self-Attention总结

各个向量的点乘运算可以合起来表示，如下图：


更形象化表示：

然后，由于在Self-Attention中没有考虑位置信息，所以在原始论文中加一个eⁱ来表示位置信息，怎么理解呢，可以理解为在xⁱ向量上加了一个one-hot表示的pⁱ，然后经过计算发现eⁱ并不影响原来的向量，也就是原来的信息不会被影响：

那么也可以把Self-Attention用在Seq2seq中，和RNN的使用一样，如下图：

四、Self-Attention的变形（有了这个变形才更好理解Transformer）

Multi-head Self-Attention结构，以head数等于2为例：


可以对向量b乘一个W进行降维处理，如下图：

五、Transformer

先看Encoder部分，inputs通过embedding变成一个向量，然后这个向量会加上positional encoding（位置编码），然后进入Nx里，会重复n次，先经过Multi-head Self-Attention，Add&Norm的意思是会先把Multi-head Self-Attention的输入和输出加起来，得到b’，然后经过Layer Norm，Add&Norm之后，Feed Forward对每个输入进行处理在经过Add&Norm。
Decoder部分，Masked表示已经产生出的部分，其他过程类似于Encoder部分。