【DL】3 Transformer入门——李宏毅机器学习课程笔记

1. 为什么要使用Self-attention？

Transformer的中文意思是’变形金刚’，其一个很经典的应用就是BERT，Transformer实际上是Seq2seq model with “Self-attention”

一般提到要处理一个Sequence，最常使用的是RNN：

输出b1-b4时把每一个a1-a4都处理过，这样不容易被平行化，这样就有人提出了CNN来代替RNN进行处理(CNN可以平行处理)：

这样每个CNN只能考虑一段时间的信息，其实只要叠足够的层数，等同于蓝色的Filter已经看了所有的句子(较高层的滤波器可以考虑较长的序列)

问题是需要叠很多层，所以提出了Self-Attention的方法：

2. Self-Attention

2.1 基本思想

最早来自于论文《Attention is all you need.》(https://arxiv.org/abs/1706.03762)：

拿每个 query q 去对每个key k 做 attention，Attention可以自己设计：

b2的计算是可以同时进行的，b3、b4同理：

如果之前的听不懂，只需要知道有一个Self-attention层，输入输出如下所示：

2.2 平行化(矩阵)计算

接下来进一步说明Self-attention是如何进行平行化计算的

为了简单起见，忽略√，把k做转置操作：

把q2拿出来：

下面做weighted sum：

再把之前的计算快速看一遍：

反正就是一堆矩阵乘法，用 GPU 可以加速

2.3 Multi-head Self-attention

Self-attention有一个变形(Multi-head Self-attention), (2 heads as example)：

好处是：有可能不同的head关注的点不一样

2.4 Positional Encoding

• Self-attention中没有位置信息，例如’我打了他’和’他打了我’是一样的，这显然是不合理的
• 原稿：每个位置都有一个唯一的位置向量^（未从数据中学习）
  
• 换言之：每个附加一个one-hot向量,代表了位置的信息
  
  原论文的W^P是手设的，图片如下：

这样我们原来的Seq2seq with Attention中的RNN都可以用Self-attention换掉：

一个关于Self-Attention的Seq2seq modle动画演示：

3. Transformer结构

以汉英翻译为例：

接下来看看里面每一个Encoder、Decoder在做什么事：

4. Attention可视化

Attention 可视化：

编码器对单词“it”从第5层到第6层的自我注意力分布进行了英法翻译训练（八个注意力头中的一个）：

Multi-head Attention，显然下面红色的做的是一个Local Attention：

5. 应用场景

• 如果可以使用seq2seq，那么就可以使用transformer，例如此：

• Transformer后面有一个变形叫做Universal Transformer：
  
• 影像处理 Self-Attention GAN：

小结

1. 问题提出：使用RNN不能平行处理，每一个输出需要考虑所有的输入，CNN需要叠很多层
2. 原来的Attention只是一个句子生成一个隐层或者Memory Network一个句子生成两个向量？这里Self-Attention把一个输入的embedded分成三个部分，分别用其中两个来匹配，另一个储存着信息
3. 插入时间的维度的操作好像懂了，但是为什么不能通过训练学出来？
4. Transformer的结构还是很复杂的，动手编程实现一下