【NLP】Transformer理论解读

前言

Transformer 是 Google 的团队在 2017 年提出的一种 NLP 经典模型，目前已经在目标检测、自然语言处理、时序预测等多个深度学习领域获得了应用，成为了新的研究热点。

论文题目：Attention Is All You Need
论文地址：https://arxiv.org/pdf/1706.03762v5.pdf

模型结构

不同于传统神经网络的CNN和RNN，Transformer是一种全新的Sequence to Sequence的结构，论文中的网络结构图如下：

图中，左半部分为编码器(Encoder)结构，后半部分为解码器(Decoder)结构。这里的Nx表示编码器和解码器分别有N个，论文中使用的是6个。注意这N个结构并不是简单copy，而是每个单独进行训练。

这张图乍一看有点复杂，下面将根据输入-输出的步骤，对各模块进行拆解分析。

Input Embedding

首先，输入的文字内容，需要进行词嵌入(Word Embedding)的操作，这个在NLP中比较常见。

One-Hot Encoding

在词嵌入之前，首先需要对输入的句子进行独热编码，即每一个单词仅有一个为1，其余为0。

Word Embedding

独热编码带来的问题是如果句子中的词很多，那么对于每一个词来说存在大量0，太浪费存储空间。
于是一个改进想法就是，设计一个可学习的权重矩阵W，将词向量与这个矩阵进行点乘，得到新的表示结果。

10000 和权重矩阵W

[ w00, w01, w02
w10, w11, w12
w20, w21, w22
w30, w31, w32
w40, w41, w42 ]

点乘的结果为[w00, w01, w02]，这样就成功将1x5的数据降维成了1x3，完成了Embedding。

Position Encoding

有了词向量之后，下面就需要进行位置编码(Position Encoding)，这是因为Transformer处理的都是高度并行化的数据，不像RNN一样，输入的内容是有先后顺序的，是一句话的所有内容一起输入，因此需要对其进行位置编码，防止位置发生错乱。

位置编码的公式如下[2]：

pos代表的是词在句子中的位置，$d_{model}$是词向量的维度（通常经过word embedding后是512），2i代表的是d中的偶数维度，2i + 1则代表的是奇数维度，这种计算方式使得每一维都对应一个正弦曲线。

这样就保证了不同位置在所有维度上不会被编码到完全一样的值，从而使每个位置都获得独一无二的编码。同时，它将允许模型通过相对位置轻松学习。

之后，将位置编码的结果和Embedding的结果进行相加，得到的结果输入到模型中。

Self-Attention

多头注意力机制(Multi-Head Attention)是Transformer的核心机制，在此之前，首先需要理解自注意力机制(Self-Attention)。

如下图[3]所示，对于输入的x，乘上w做词嵌入(就是上面提到的操作)，得到模型输入的向量a。
然后，对于每一个a，分别乘上$W^q$，$W^k$，$W^v$，得到三个向量q，k，v。

之后，将每一个q分别点乘k，这样可以得到注意力矩阵。所得结果/根号d，d就是q和k的维度，这样是做一个标准化，方便计算。

对于得到的注意力$\alpha$，再进行一个soft-max归一化。

然后，将每个词的注意力分别乘以v，然后进行累加，得到输入的b向量。

论文里给出的公式如下：

例如，下图中展示$b^1$的计算步骤。

同理，$b^2$也可以类似得到。

以此类推，通过Self-Attention层之后，输入的a可以转化成b。

上面展现了单行句子输入的场景，而在实际过程中，可以利用线性代数中的矩阵乘法，来实现多行句子一起输入并行处理，这样也能够更好得发挥GPU并行计算的性能。

Multi-Head Attention

理解了Self-Attention之后，多头注意力机制(Multi-Head Attention)就比较容易理解。
如下图所示，所谓多头，就是使用多组不同的$W^q$，$W^k$，$W^v$，这样就得到了不同的注意力。

直观描述，不同的注意力头的关注点会不同，从而可以提取一段文本中不同的信息。

Add&Norm

Add&Norm包含两个结构：Add和Layer Norm。

Add比较简单，主要是应用到了残差网络(ResNet)的思想，将输入前的向量a直接复制一份添加到输出的b上，这样可以有效防止梯度消失的问题。

Layer Norm计算方式也比较简单，就是对每一个向量做一个标准化(减均值/标准差)。

对于Norm通常用的更多的是Batch Norm，也就是在图像领域频繁使用的BN层。它的方法是对于每一个批次的同维数据做一个标准化，下图是Layer Norm和Batch Norm的直观对比。

那这里为什么不用BN层呢？
这是因为在NLP任务中，输入是动态的。对于BN来说，只有在Batch_Size足够大的情况下，效果才会好。下图就展示了一种特殊情况，对于特别长的句子来说，后面的Batch_Size相当于1，这样效果不好。

Masked Multi-Head Attention

后面的Feed Forward就是一个普通的前馈神经网络，没有特殊之处。这样左侧编码器部分就分析完了，进入到右侧的解码器部分。

在解码器部分可以看到，里面的结构和编码器大致相当，唯一不同的是多了一个Masked Multi-Head Attention。

Masked Multi-Head Attention就是在Multi-Head Attention的基础上增加了一个遮罩(Masked)，因为在训练中，处理当前词时，后面的词并不应该存在，但是训练集中后面的词（ground truth）是存在的，不可以做attention，所以要遮盖掉。

至此，关于Transformer的各模块就全部分析完成。

总结

Transformer的出现颠覆了以往CNN提取特征的模式，不过，我也听说Transformer因其巨大的特征量导致非常难以训练。关于这一点，后续我将通过实验去证实。

References

[1]https://www.jianshu.com/p/e6b5b463cf7b
[2]https://www.bilibili.com/video/BV1Di4y1c7Zm
[3]https://www.bilibili.com/video/BV1J441137V6
[4]https://mp.weixin.qq.com/s/73RAMVGpguFw-fteQwFTIw