【Transformer】Transformer理论知识

Transformer介绍

Transformer就是一个sequence-to-sequence（Seq2seq）的module

• 第三种：Seq2seq任务：输入 $N$ 输出 $N^{\prime }$（由机器自己决定输出的个数)
• 例如：语音辨识（一段声音变为文字）、机器翻译任务（文字变为其他语言文字）、语音翻译（一段语音翻译为其他语言文字）

语音辨识：输入声音，输出中文 就是语言辨识。（例如谷歌的pixel4，使用 $N$ to $N$ 的神经网络，使用RNN transducer）
语音合成：输入中文，输出声音就是语音合成。 （音标—>语音 （使用seq2seq model））

• Seq2seq在NLP有很多应用，很多问题可以看成QA：
  很多问题也可以使用Seq2seq硬解，例如文法剖析（Grammar as Foreign Language(14年文章)），例如Muti-label Classification（多标签分类，机器自己决定多少个class）、目标检测等。

Seq2seq结构

Seq2seq 结构会分为俩块：Encoder、Decoder
input一个sequence由Encoder负责处理，将处理好的结果丢到Decoder决定输出什么样的sequence（起源：14年9月提出用于翻译(Sequence to Sequence Learning with Neural Networks) )

Encoder结构

Encoder：给一排向量输出另外一排向量。（CNN、RNN、Self-attention都可以做到）

注：在 Transformer 的Encoder中用的就是Self-attention。

Encoder中会分为很多个Block，每一个Block都是给一排向量输出另外一排向量（每一个Block是好几个 layer 在处理）
Block中是：给一排向量先做Self-attention，再做FC，再输出另外一排向量。

在原来 Transformer 中Block更为复杂：

给一排向量先做Self-attention，再加上input（a+b)(称为residual)，再做 Layer normalization（计算输入向量的mean和standard deviation，做normalize），再做FC（也做residual），再做 Layer normalization，再输出。


Add&Norm ：意思就是加上residual + Layer norm

注：Bert 中也会再用到，Bert 其实就是Transformer中的Encoder

注：原始的transformer架构并不一定是最好的，做Layer normalization再做residual更换顺序。（文章On Layer Normalization in the Transformer Architecture、PowerNorm:Rethinking Batch Normalization in Transformers）。
下图（a）是原始的transformer架构，（b）是更换顺序的架构

Decoder结构

Decoder有俩种：Autoregressive Decoder（AT）、Non-autoregressive (NAT）

Autoregressive Decoder（AT）：

使用语音辨识做例子（输入一段声音，输出文字）
Encoder：输入一段声音向量，输入另外一排向量 ——> Decoder 产生语音辨识的结果。

Decoder流程：
BEGIN或者BOS(begin of seqence)（special token）(one-hot编码) ——>（softmax）中文每一个字对应一个数值（也包括END）——>例如输出“机”字概率最高输出“机”字 —— >
把“机”做Decoder新的 input（one-hot 编码）和BEGIN ——>输出“器”——> BEGIN、"机"、"器"做 input —— > 输出"学"——>…

Decoder 看到的输入其实是它在前一个时间点自己的输出。Decoder 需自己决定输出sequence的长度。

（其中"机"会被变成 one-hot 的向量"机"是 1 其他都是 0 ，Decoder输出是一个几率的分布，会让这二者越接近越好，所以会计算Ground truth和distribution的cross entropy越小越好）

注：每一次 Decoder 在产生一个中文字的时候，其实就是做了一次分类的问题。Decoder的输入就是sequence正确的答案，也称为Teacher Forcing。

Encoder和Decoder对比和联系

transformer Decoder中的Block：
Masked Muti-Head attention——> Add&Norm ——>
（Cross attention是 Encoder 和 Decoder 之间的桥梁）两个输入来自 Encoder，Decoder 提供一个输入——>Muti-Head attention——>Add&Norm——>Feed Forward——>Add&Norm

注：其中Masked Muti-Head attention指：
之前 Self-sattention 产生 $b^1$ 是考虑了 $a^1$ ~ $a^4$ ，现在只能考虑左边的，例如 $b^1$ 能考虑 $a^1$ ，$b^2$只能考虑$a^1$,$a^2$

Cross attention：

Cross attention中：
$q$来自 Decoder ， $k$ 和 $v$ 来自 Encoder。

Cross attention一开始来自 Seq2seq 模型（文章 Listen,attend and spell做语音辨识ICASS2016），那时候的 Encoder 和 Decoder 都还是使用LSTM，但是Cross attention已经有了，Cross attention比先Self-attention早诞生。
在原始 Transformer 中： Encoder 和 Decoder 都有很多层， Decoder 无论哪一层都是拿 Encoder 的最后一层的输出。
但是也有很多不同Cross attention的方式：

Non-autoregressive Decoder（NAT）：

Autoregressive Decoder（AT）、Non-autoregressive Decoder (NAT）区别：
NAT是一个步骤产生一整个句子。
Non-autoregressive (NAT）把一堆一排的BEGIN 的Token都丢给它，让它产生一排Token就结束了（一个步骤完成句子的生成）。

NAT如何解决输出的长度：
一种解决方法：用另外一个 Classifier 由 Encoder 的输出来预测一个 Decoder 需输出的长度——>多少个BEGIN
另外一种解决方法：或者输入很多BEIGIN，在输出的时候定一个END，右边的舍弃。

NAT是由 Transformer 以后有 Self-attention 的 Decoder 以后才有的，以前是LSTM或者RNN就算给一排BEGIN也无法同时产生全部的输出，需一个一个产生。

语音合成现在都可以使用Seq2seq的模型来做，Tacotron是AT的 Decoder ，FastSpeech是NAT的 Decoder。
NAT的Performance往往都不如AT的 Decoder （Muti-Modality问题）

训练Seq2seq Model的Tips

训练 Sequence To Sequence Model（不局限 Transformer ）的Tips：

Copy Mechanism

之前讨论中都要求 Decoder 自己产生输出，对很多任务来说 Decoder 可能没有必要自己创造输出，而是从输出复制一些（例如对话机器人、摘要）

注：最早有从输入复制东西能力的模型：Pointer Network 后来有变形的Copy Network（文章Incorporating Copyting Mechanism in Sequence-to-Sequence Learning）

Guided Attention

Seq2seq可能会犯低级的错误，例如漏字了（例如语音辨识，语音合成TTS）
要求机器去 Guide 领导这个 attention 的过程，要求在做 attention 的时候有固定的方式
解决方法方法例如：Monotonic Attention、Location-aware attention

Beam Search

每次 Decoder 输出那个分数最高的 Token ，找分数最高的字 称为 Greedy Decoding ，但是可能不是最好的。
Beam Search为了找一个 Approximate，找一个估测的 Solution。（可能不是特别精准的 Solution ）

注：有时候对 Decoder 来说，Beam Search不一定就是好的（文章The Curious Case of Neural Text Degeneration），没有找出分数最高的路反而结果可能好（跟任务本身特性有关，答案明确的任务例如 语音辨识 Beam Search比较有帮助，需要创造力例如TTS语音合成比较差）

评估标准

BLEU score： Decoder 产生一个完整句子后，再跟正确答案一整句做比较。

在训练的时候我们是使用 minmize cross entropy，但是不一定可以 maximize BLEU score。
所以在验证集中应该使用BLEU score。

能否训练就使用BLEU score？
答：在训练过程使用BLEU score乘负号作为 loss 不太能实现，因为BLEU score不能微分，BLEU score本身复杂，每一个中文字计算cross entropy才能做

训练VS测试 出现的问题：

测试的时候 Decoder 看到自己的输出，所以可能会看到错误的输出，例如“机”“气”（一步错，步步错），训练的时候看到是完全正确的，例如“机”“器”。
不一致的现象称为Exposure bias。

解决方法：给 Decoder 的输入加入错误的东西，不要都是正确的（技术：Schedule Sampling（2015年提出，在LSTM就已经有，文章Original Scheduled Sampling、Scheduled Sampling for Transformer、Paraller Scheduled Sampling），但是会伤害 Transformer 平行化的能力）。