NLP《Tranformer和Self-Attention》

一：自注意力模型
上一篇文章《seq2seq》中我们学习到了attention机制，它可以看到全局的信息，并且它也可以正确地去关注到相关的有用的信息。

原始的encoder是以RNN为基础的，RNN机制实际中存在长程梯度消失的问题，对于较长的句子，我们很难寄希望于将输入的序列转化为（编码为）定长的向量而保存所有的有效信息，所以随着所需处理的句子的长度的增加，这种结构的效果会显著下降。

从encoder到特定向量C过程中，会存在信息丢失问题，因为那么多丰富的语言，怎么可能用一个特定长度的向量表示的下呢？很难吧。之前的模型很容易由于梯度消失，距离过长导致长期依赖失效，也就是有用信息丢失。而且注意力分散，导致有用信息和无用信息无法更好区分不开。

所以，attention解决了信息提取的问题，既关注全局信息，也正确把握关键信息。这其实也是一种方法论。我关注全部，但是每一部分我关注多少？

以上纯属回顾

但是这就完美了么？虽然使用了Attention机制，只解决了encoder关键信息提取的问题（从全局出发，保证关键信息能被正确关注到，而不是使用一个向量C来试图包含所有信息（理论上显然太勉强）），但是还是基于RNN模型的啊，RNN模型只能被递归运算，无法做到并行化，我们也看到了，也许注意力就是最后集中在部分，而非全局，那么理应能够被并行化计算，加快运算速度才对。

一个想法就是CNN，CNN可以做到并行化计算，似然能这样，单每一层只关注局部信息，只有在更高层才能关注到更广一点的信息，或者是全局信息，这很明显带来了另外的计算量，顾此失彼。想一想人家seq2seq的attention机制，虽然是递归运算的，但是也就是一层就可以得到全局信息。

有没有两全其美的做法呢？即可以用attention机制去获得全局信息，正确关注到应该被关注的部分，还可以并行化计算。这就是self-attention的工作了。

显然不能使用RNN结构，这个结构天然就是递归。

所以我们一起来看看self-attention做的工作吧。
如下图所示：

这一层就这么愉快表示了。并且Wq，Wk，Wv矩阵都是学习来的，权值共享的。

但是一般呢，我们还会做出一些优化。
1：假如位置信息，因为我们看到上述式子，输入的词向量之间的位置信息丢失了。“我爱你”和“爱我你”是输出一样的结果，这显然也不符合思维的，因此需要加入位置向量信息。

所以Step 1需要做适量修改，增加一步位置向量相关的操作：

其中P={p1,p2,p3,…,pn}，维度和E是一样的，且每个元素取值是-1~1之间。
这样一来将位置向量添加到词嵌入中使得它们在接下来的运算中，能够更好地表达的词与词之间的距离。

2：多头self-attention（muti-head self-attention）
简单来说呢，我们希望能从不能的角度去看待位置的注意力。
实现也简单，就是设置多个完全独立的Wq，Wk，Wv矩阵，多组独立运算，分别得到自己的输出B。假设我有H个头。也就是有H组Wq，Wk，Wv矩阵，分别独立地进行运算。

最后将这H个B对应位置输出拼接起来，做一个线性变换即可。得，第i个位置输出是。

W_O也是学习到的。

如上图所示，将多个头的值concat一起，每一行拼接后形成新的第几个输出，每一列是单个头的所有N个输出。
多头拓展了专注于不同位置的能力。

Self-attention完全依赖注意力机制来刻画输入和输出之间的全局依赖关系，而且不使用递归运算的RNN网络了。这样的好处就是：
第一：可以有效的防止RNN存在的梯度消失的问题从而导致的有用信息丢失问题（这也是基本的attention机制的好处），既可以考虑全局信息，也能正确关注到应该关注的关键信息。
第二：是允许所有的字全部同时训练（RNN的训练是迭代的，一个接一个的来，当前这个字过完，才可以进下一个字），即训练并行，大大加快了计算效率。

切记，此结构只用于替换RNN的一个层结构。

现在我们就可以试图把所有RNN的结构够可以替换成 self-attention结构了。
这样一来就可以并行化计算了，可以使用GPU进行加速处理。

这个结构是Transformer结构中提出来的，将被大量使用在Transformer结构中。

二：transformer模型

下面我们来学习一下大名鼎鼎的Transformer机制。
Seq-2-Seq的主要还是encoder-decoder的结构，但是内部结构之前是RNN和CNN。效果好点的呢，就是之前学习的，增加了Attention机制的seq-2-seq了。
现在为了并行化计算，有利于GPU加速，直接使用self-attention替换掉了RNN结构。
如下图所示：

整体而言，是由一个encoders部分和一个decoders部分组成的，解码器最后有一个线性层和一个softmax层，输出对应词语的one-hot向量。

Encoders部分：
是由N个小编码器堆叠而成。
每个小编码器又是由一个多头self-attention层，和一个小的FFNN（前馈神经网络）组成。

Decoders部分：
是由N个小解码器堆叠而成。
每个小解码器又是由一个masked多头self-attention层，一个encoder-decoder多头 self-attention层，和一个小的FFNN（前馈神经网络）组成。

下面我们仔细讲解各个层：
0）Add && Norm Layer（相加归一层）
这个结构在后面很多层都有用到，因此我们先讲解这个层，方便定义符号和讲解。

先是一个残差计算。一点就是借鉴残差网络的思路，因为在应用中这个网络很深，残差结构的好多之前也学习过，防止网络过深，梯度消失，导致前面的参数无法很好更新。

然后还要做归一化操作，也就是类似于batch-normorlize的操作，目的就是归一化数据特征的分布，使其分布服从N(0~1)，有利于收敛速度加快，这个在学习batch-norm的时候也学习过的，计算过程也很类似。

1）Muti-Head Self-Attention Layer（多头self-attention层）
这个不用多讲了，因为本文第一章节最开始就学习了这个计算过程。

加上相加归一层

2）FFNN Layer
这是一个 Position-wise 前向神经网络，encoder和decoder的每一层都包含一个前向神经网络，激活函数顺序是线性、RELU、线性。

加上相加归一层

3）Masked Muti-Head Self-Attention Layer
我们给词汇表增加如下词汇
< BOS>：句子开始
< EOS>：句子结尾
< UNK>：未知词汇
作为翻译的时候，比如从“我有一只猫”翻译到“I have a cat”
并行计算，先从encoder一次性计算结束，等待decoer递归迭代运算，此时decoder有点像是RNN了。每一次输入的序列都是把上一次输出的序列。

比如第一次先输入< BOS>，输出< I> ，落下去。
比如第二次先输入< I>，输出< have> ，落下去。
比如第三次先输入< I have >，输出< a> ，落下去。
比如第四次先输入< I have a >，输出< cat>，落下去。
比如第五次先输入< I have a cat >，输出< EOS>
翻译任务的话，遇到了EOS就终止了。

因此decoder每次输入的句子的长度是不一致的。怎么办呢？有多长取多长，这一层只被允许处理输出序列中更靠前的那些位置。在softmax步骤前，它会把后面的位置都是无效的，因为都没有诞生呢，无效的都给隐去（把它们设为-inf，softmax层计算后就是权值为0，也就是不关心）。因此对于不存在的序列我们就不关心了。只看存在的序列，如下图所示啊，这是前俩过程。

其他步骤都是和正常的self-attention的一致的，再加上加法归一层。

4）encoder-decoder Muti-Head Self-Attention Layer
这一层的目的就是给encoder最后生成的结果C做self-attention操作，也就是对encoder的每一层的都关注多少注意力，也就是充分利用原始句子的信息来影响自己的输出。

Encoder最后成功的矩阵C，每一行都是输入词汇的计算输出。有多少输入词汇，C就有多少行，这个矩阵会给每一个小decoder都传过去，让每一个小decoder都去对这个结果进行注意力运算。

唯一不同的是，attention过程中K和V矩阵的生成变了。
正常的self-attention的QKV矩阵都是E自己生成的，现在却变成了，E只产生Q矩阵，而是用C来生成K和V矩阵。

其他步骤都是和正常的self-attention的一致的。再加上加法归一层。

5）最终的Liner Layer和sofatmax Layer
这一层就是最后输出一个词汇的输出层了，此层的输入到输出如下：

最后输出是一个词汇的one-hot向量，输出到终结，否则落下去到下一次计算。

6）损失函数依然是交叉熵损失函数，这个不多讲了，之前在学习语言模型和词向量的时候都学习过的。下面说两个训练小技巧。
a）LabelSmooth，对于词语数量巨大的话，不要将one-hot向量标记为非0即1，非1即0，而可以试图将1改为0.95，剩下的0.05由任意五个词汇平分，每一个是0.01,。
b）学习率变化：可以尝试用如下的学习率变化趋势来学习模型。简单的说，就是先让学习率线性增长到某个最大的值，然后再按指数的方式衰减，如下图。

7）总结
核心就是transformer结构，这种结构完全依赖于注意力机制，取代了基于Encoder-Decoder的循环层，并且引入了位置嵌入，Multi-Head Attention机制。
优点就是，可解释性强，且容易并行计算，继承了attention机制的好处。