NLP之Transformer

总体来看，Transformer这个模型架构还是遵循着Encoder-Decoder的格式。此外，Transformer由注意力机制模块组成，因此在学习Transformer之前有必要对注意力机制有个了解(点这里)。

参考文档：
①Transformer模型的PyTorch实现
②Transformer 模型详解
③Transformer原理解读
③《Attention is All You Need》浅读（简介+代码）

1 Transformer结构

对注意力机制就有初步了解之后，就可以进行Transformer的学习了！

1.1Self-attention

Self-attention，又称自注意力，内部注意力，谷歌的这篇Transformer全是self-attention。自注意力就是$Atention(X,X,X)$，即在序列内部做注意力，寻找序列内部的联系(从Transformer的成功来看self-attention在NLP上还是很有作用的)。

与self-attention相对的是Context-attention，即发生在Encoder和Decoder之间的注意力，比如之前关于Seq2Seq中引入的注意力机制就是Context-attention。

Note：

1. 之前的注意力机制中，涉及两个隐藏状态，分别是Encoder端和Decoder端的$h_t$，即输入序列某个位置的隐藏状态和输出序列某个位置的隐藏状态。而self-attention就是说输出序列就是输入序列，计算自己的attention分数。

1.2 Scaled dot-product attention

在Transformer论文中，注意力函数选择的是缩放乘性注意力——Scaled Dot-Product，其表达式为：
$$Attention(Q,K,V)=softmax(\frac{Q{K}^T}{\sqrt{d_k}})V.$$
Note：

1. $d_k$表示$K$矩阵的维度。
2. 缩放因子$\frac{1}{\sqrt{d_k}}$是为了防止分子乘积太大的话，使得结果处于softmax函数梯度很小的地方，造成梯度消失，故缩减因子可以一定程度上减缓它。
3. 这个注意力分数$Attention(Q,K,V)$相当于是对$V$的加权平均，而权重是通过$Q$和$K$之间的运算所得。
4. $Q$和$K$的计算表示如下：最后的运算结果$Q{K}^T$可以表示为词与词之间的关系。

论文中也给出了相关的图：

$Q、K、V$是什么？

Note：

1. $W^Q、W^K、W^V$是线性变换矩阵。
2. $X、Q、K、V$的每一行都表示一个Word。

Self-attention:

1. 对于Encoder部分的第一层，矩阵X是输入通过Embeding和Positional encoding相加的结果，其余层都来自于上一层的输出。
2. 对于Decoder部分的第一层。矩阵X是输出通过Embeding和Positional encoding相加的结果，其余层都来自于上一层的输出。

Encoder-Decoder-attention：
$Q$来自于Decoder上一层的输出，$K、V$来自于Encoder的输出，即编码信息矩阵C：
。

Note：

1. $Q、K、V$三者的维度是一样的。

1.3 Multi-head self-attention

如果说上面的scaled dot-product attention 是一个人在观察输入，那么Multi-head就是多个人站在不同角度去观察输入，并且不同人所得到的注意力是不同的。
之后$Q、K、V$通过线性映射分成$h$份，对每一份使用scaled dot-product attention模块，最后将多个注意力聚合起来，再通过全连接层输出。
Note：

1. Multi-head attention就相当于聚集了所有人对输入不同的观察力理解，它比单个注意力对输入的理解更加全面。

Multi-head attention公式如下：
$$\begin{gathered} MultiHead(Q,K,V)=Concat(hea{d}_1,\cdots ,hea{d}_h)\cdot W^O, \\ 其中,hea{d}_i=Attention(Q{W}_i^Q,K{W}_i^K,V{W}_i^V) \end{gathered}$$
Note:

1. $W_i^Q\in {\mathbb{R}}^{d_{model}\times d_k},W_i^K\in {\mathbb{R}}^{d_{model}\times d_k},W_i^V\in {\mathbb{R}}^{d_{model}\times d_v},W^O\in {\mathbb{R}}^{h{d}_v\times d_{model}}$.
2. 论文中$h=8$，$d_k=d_v=d_{model}/h=64$。也就是说最后输入的scaled dot-product attention的向量维度是64。
3. 无论是Encoder还是Decoder，经过Multi-head attention模块之后的输出和输入矩阵是想同维度的。

1.4 Residual connection

Transformer结构中存在着残差连接，这起源于何凯明残差网络，残差网络是用于解决网络深度太大导致梯度回传消失的问题，具体的可以参考另一篇中关于残差网络部分。

1.5 Positional Encoding

到目前为止我们发现Transformer似乎没有表达序列位置信息的能力，要知道序列次序信息在NLP中是十分重要的，之前RNN结构可以天然利用次序信息，可放到Transformer里似乎没有办法了，那怎么办呢？
——Positional Encoding

谷歌在文章中又引入了位置编码，positional encoding来缓解Transformer的硬伤——无法对位置信息很好的建模。

具体地，谷歌采用正弦和余弦来编码位置信息：
$$P{E}_{(pos,i)}=\{\begin{array}{ll}sin(\frac{pos}{10000^{i/d_{model}}})& ifniseven,\\ cos(\frac{pos}{10000^{(i-1)/d_{model}}})& ifnisodd.\end{array}$$其中，$pos$是位置序号，$i$是维度，当$i$是偶数地时候，那一维采用$sin$编码，否则就采用$cos$编码。

Note：

1. $d_{model}$是位置向量的最大长度，和word embeding最大长度保持一致，便于相加。
2. 采用正弦余弦编码的原因是，其可以表示不同位置之间的相对关系，因为三角函数存在一种关系：$$\begin{gathered} sin(\alpha +\beta )=sin\alpha cos\beta +cos\alpha sin\beta \\ cos(\alpha +\beta )=cos\alpha cos\beta -sin\alpha sin\beta \end{gathered}$$也就是说，对于词汇之间的位置偏移$k$，$PE(pos+k)$可以表示成$PE(pos)$和$PE(k)$组合的形式，这样的话位置向量就有了表达相对位置的能力。

1.6 Layer Normalization

不同于BN，Layer Normalization做的是层归一化，即对某一层的所有神经元输入进行归一化，或者说每$hidden\_size$个数求平均/方差。它在training和inference时没有区别，只需要对当前隐藏层计算mean and variance就行。不需要保存每层的moving average mean and variance，此外，其增加了gain和bias作为学习的参数。
Pytorch已经有相关实现：nn.LayerNorm

1.7 Masking

Transformer也需要用到掩码技术(Masking)去对某些值进行掩盖，使其不产生效果。
有2种模式，一种是Padding Mask，其在所有的Scaled Dot-Product Attention里都需要用到；另一种是Sequence Mask，其只在Decoder的Self Attention里用到。

1.7.1 Padding Mask

由于序列的长短不一，因此为了对齐，需要对较短的序列进行填充。在注意力机制中，我们会在缺省的位子上加上一个很大的负数，这样在注意力机制的softmax步骤中就会使得这些位子的注意力权重为0，使得我们的注意力不会放在这些位子上。
相对的Mask张量中，对于需填充位置为False，否则为True。

1.7.2 Sequence Mask

在RNN为原型的Seq2Seq中，我们在t时刻是看不到未来时刻的标签的，但这在Transformer中会出问题，为了让Decoder在解码过程中不会使标签过早的提前暴露，需要对输入进行一些mask。
Masking矩阵是一个和上三角值全为负无穷，下三角全为1的矩阵：

Sequence Mask需要在softmax运算之前使用：

掩码之后对每一行进行softmax，可以从上图看出，在预测第0个单词的时候，单词0对单词1、2、3、4的注意力全为0。

1.8 Position-wise Feed-Forward Networks

Transformer的模型结构中会有Position-wise Feed-Forward Networks的存在，这是一个两层全连接层中间接一个RELU非线性层构造而出的，表达式为：
$$FFN(x)=max(0,x\cdot W_1+b_1)\cdot W_2+b_2.$$
实际中使用一个$1\times 1$的卷积层来代替全连接层。输入输出维度均为512，中间层的维度为2048.具体设置如下：

1.9 Linear&Softmax层

在解码端，输出的注意力矩阵和输入矩阵是想同维度的，Transformer通过一个全连接层将输出进一步映射成(输入维度，词汇表)的格式，然后通过softmax对每一行进行处理，使得每一行概率和为1，每一行最大概率对应的词就是所预测的词。

2 总结

2.1 Transformer模型

下面总结下Transformer整个模型：

Encoder部分：

1. 输入由词向量和位置编码向量相加组成。
2. 由$N=6$个相同模块串联而成，每个模块由2个子层组成，分别是Multi-Head Attention层(采用自注意力机制)，其输出的矩阵和输入矩阵想同纬度；此外还有Feed-Forward层，并且每个层都连接一个LayerNorm层。整个模块由残差结构相连。
3. 输出是一个编码矩阵C，是给Decoder用的，它和输入矩阵的相同维度的。

Decoder部分：

1. 输入由词向量和位置编码向量相加组成。
2. 由$N=6$个相同模块串联而成，每个模块由3个子层组成，第一个子层是Masked Multi-Head Attention(采用自注意力机制)，其引入了Sequence masking；第二个子层是Multi-Head Attention，和上述不同，它采用的是Context Attention，其$K、V$来自于Encoder输出的编码信息矩阵C，这样做的好处在于每一位单词都可以利用到Encoder所有单词的信息；第三个子层是Feed-Forward层，每个层都连接一个LayerNorm层，并且都是残差结构。
3. 输出的注意力矩阵经过线性层和Softmax层输出一个概率。

2.2 Transformer流程

了解整个模型之后，我们再结合图示和具体例子对整体流程有个更深一步的了解，详见Transformer流程详解，这是网上一个博主写的，很清晰详细，点赞！！！