自然语言处理（1）：Transformer模型实现原理详解
划时代的产物
在2018年，谷歌推出了BERT模型之后，该模型在11项NLP任务中夺得STOA结果，引爆了整个NLP界。而BERT取得成功的一个关键因素是Transformer的强大作用。谷歌的Transformer模型最早是用于机器翻译任务，当时达到了STOA效果。
Transformer改进了RNN最被人诟病的训练慢的缺点，利用self-attention机制实现快速并行。并且Transformer可以增加到非常深的深度，充分发掘DNN模型的特性，提升模型准确率。在本文中，我们将研究Transformer模型，把它掰开揉碎，理解它的工作原理。
近期发现，在图像识别领域，Transformer表现出来的效果出乎意料的好，竟然有取代CNN的势头！
传统的解决方案遇到的问题
传统的RNN
- 传统的RNN有依赖关系，不能实现并行，但是Transformer可以
- Self-Attention注意力机制来进行并行计算，在输入与输出相同
- 输出的结果是同时被计算出来的，现在基本已经取代了RNN
模型对比
传统的word2vec
-
使用词向量模型，是预先对词语训练好词向量，然后这个向量就不变了，然后去寻找文本中的词，将其转换为词向量，再输入到RNN中网络模型中。
但是呢，相同的词在不同的语境中，表达的意思可能不同，例如：干哈捏。
-
使用BERT模型，可以考虑到上下文的影响，在不同的输入当中，对应词向量也就不同了哦。太牛了吧！
如图：两句话中的it就是不同的，指代的意思也不同！
注意力机制的作用
提取特征的时候，什么是重点，就是去发现你的数据的重点在哪。如下图，我们前面输入了一个序列，当我不强调哪个词重要，我得到的结果可能是平行的。
但是呢，这个判断过程不是你认为加进去的，是交给计算机，让他去判断的哦！！！
在一句话中，每一个词（中文是字），都会结合上下文判断句子中其余词和自己关系的远近，如图，it中animal就关系影响很大：
self-attention如何计算
整体流程如下
①首先将x1、x2两个词进行编码得到向量
②经过计算得到每个词的三个特征矩阵Q、K、V
Q：第一个词做了啥贡献、第二个词做了啥贡献，就要去查一查和第一个词关系咋样，和第二个词关系咋样。
K：被查的，q1和k1就是第一个词的与第一个词的关系，q1和k2就是第一个词和第二个词的关系。
V：每个关系都查到了，关系大的多点输入，关系少的少点输入，v1就代表x1的特征表达，v2就代表x2的特征表达，表示实际的特征信息
③回顾
计算q1·k1是使用内积计算的，当线性无关的时候就会垂直，即内积为0，当相关性越大，关系就越大哦！
④最终的value计算
softmax计算流程
分值->e^x->归一化
计算每一个词语对该词语的影响权重，计算公式：
然后再计算对应词的value与计算到的权重的乘积之和，就能得到第一个词的影响力。如下图所示：
⑤整体回顾
再次声明：咱们的计算是并行加速计算的，即使用矩阵乘法(不是使用for循环，多low哦)！直接就出来了，是不是很牛批，呜呜呜我爱线代❤️
multi-head（多头机制）的作用
一个词已经得到了一个q、k、v，参考卷积神经网络的卷积和与特征图，我们一组qkv得到了一种特征表达，如果能有多种qkv，我们就能得到多种当前特征的表达。
多头不是越多越好，一般而言是8个。
堆叠在一起，得到最后的注意力！嘿嘿，机智哦宝贝！！！
这是两个头，图中可以看到，和自己的注意力是挺大的，离得越远可能就注意力会小一下
堆叠多层：经过多头机制，一个不太好看的向量转化为了差不多的向量，我们重复多次提取，得到最后好看的向量！
位置编码与归一化
位置编码
在self-attention中每个词都会考虑整个序列的加权，所以其出现位置并不会对结果产生什么影响，相当于放哪都无所谓，但是这跟实际就有些不符合了，例如：我今天下午想去打球，肯定下午和打球是重点呀，于是我们希望模型能对位置有额外的认识。
这个人家已经写好了，不用管太多，BERT是使用正弦周期变化来进行位置编码。
归一化
下图所示，self-attention之后呢，有一个LayerNorm归一化，但是，什么叫对层进行归一化？？
LayerNorm就是没有Batch概念了，对他的一组数据，使得均值为0，平方差为1。
虚线部分是连接，用的是基本的残差连接方式，得到两个数据，模型自己去选择，至少不比原来差
整体梳理
多了Decoder-Encoder-attention机制
除了self-attention机制之外，BERT还加入了Decoder-Encoder-attention机制，充分利用数据的特征，通过Q来从解码器中查一查编码器中的K、V对应的是啥。
加入了MASK机制（别透题）
比如使用机器翻译，当前词无法使用后面词的信息，但是又不得不考虑，因此我们引入MASK机制，前面有的我们就能用，后面没有的我们就是当做黑盒子。
最终输出结果
就是得到一个分类，经过Softmax层即可
效果展示
经过训练，计算机可以知道it指代的是什么。天呐，计算机要成神了！！！