《Attention Is All You Need》论文精读，并解析Transformer模型结构
建议：结合《Attention Is All You Need》论文观看此文章。
目录
一、引言
二、结论
三、模型结构解析
（1）多头注意力模型结构
（2）Msked Multi-Head Attention
（3）相对位置编码
（4）为什么对点积注意力进行缩放
四、调整模型的结构超参数
五、注意力可视化
一、引言
主导的序列转导模型是基于复杂的递归或卷积神经网络，其中包括一个编码器和一个解码器。性能最好的模型也通过注意机制连接编码器和解码器。我们提出了一个新的简单的网络体系结构，Transformer，完全基于注意机制，不需要重复和卷积。在两个机器翻译任务上的实验表明，这些模型在质量上要优越的同时，可并行化程度更高，训练所需时间也不大。我们的模型在WMT 2014英德翻译任务上实现了28.4 BLEU，比现有的包括汇编在内的最佳结果提高了2 BLEU以上。在WMT2014英译法任务上，我们的模型在8台GPU（官网复现的代码支持TPU）上训练3.5天后，建立了一个新的单模型最先进的BLEU评分为41.8，仅占文献中最好模型的训练成本的一小部分。我们表明，Transformer通过成功地将其应用到英语选区句法分析中，无论是在训练数据较大的情况下，还是在训练数据有限的情况下，都很好地概括了其他任务。
二、结论
在本工作中，我们提出了第一个完全基于注意的序列转导模型Transformer，用多头自注意替换了编码器-解码器结构中最常用的递归层。
对于翻译任务，Transformer可以比基于递归或卷积层的架构训练得更快。在WMT 2014英译德和WMT 2014英译法的翻译任务上，我们实现了一种新的艺术状态。在前一个任务中，我们最好的模型甚至比之前报道的所有集合都要好。
我们对基于注意力的模型的未来感到兴奋，并计划将其应用于其他任务。我们计划将Transformer扩展到文本以外的输入和输出模式问题，研究局部的、受限的注意机制，以有效处理图像、音频和视频等大的输入和输出。使生成少序列化是我们的另一个研究目标。
三、模型结构解析
Transformer的模型结构如下图所示，通过把“My money don't jiggle jiggle”翻译成“我的钱不摇晃摇晃”来分析Transformer的工作过程。
训练过程中，每一次解码器的输出与数据集中的翻译值通过交叉熵计算错误率（一次送入batch_size大小个token，计算错误率），从而对权重进行更新。
预测过程，同训练过程相似，即输入英文句子，一个词一个词的翻译成汉语句子。
注：解码器的输出与数据集中的翻译值作比较，即经过Softmax函数后，输出最大概率的一个预测词，预测词与真实值作比较。
编码器的输入和输出（一次输出一个翻译词汇）：
自回归：在生成下一个符号时，将前面生成的符号作为附加输入。
第一次输入， 输出 我 的
第二次输入我 的， 输出 我 的 钱
第三次输入我 的 钱， 输出 我 的 钱 不
第四次输入我 的 钱 不 摇 晃， 输出 我 的 钱 不 摇 晃
第五次输入我 的 钱 不 摇 晃 摇 晃， 输出 我 的 钱 不 摇 晃 摇 晃
（1）多头注意力模型结构
假设数据集中语句的最长序列是10，输入“My money don't jiggle jiggle”，经过独热码后的矩阵大小为 [batch_size, 5, 512]，再经过Padding后的矩阵大小为 [batch_size, 10, 512]，参数矩阵大概可以描述为以下形式：
缩放点击注意力汇聚和多头注意力机制结构，如下图所示：
首先分析一个注意力头的工作过程：
然后分析多个注意力头的工作过程：（此处是 8 heads）
原文：我们没有用512维的键、值和查询执行单一的注意函数（即没有选用单一的注意力头），而是发现将查询、键和值经h次不同的、学到的线性投影分别线性投影到dk、dk和dv维是有利的。在这些查询、键和值的每个线性投影后，我们并行执行注意函数，产生dv维输出值，Concat后，再次进行投影，得到最终的值。
注：
- 缩放点积注意力要求Q、K、V的长度要求一致
- 输入的Q、K、V参数矩阵相同，可能这就是称为自注意的原因（应该是这样理解）
（2）Msked Multi-Head Attention
为了方便一次性输入batch_size个词汇或句子，把 Output（Shifted right) 中的目标词汇后方的需要预测的词汇mask掉，即把下方的两个矩阵相乘，便可实现并行化处理多个句子：
（3）相对位置编码
相对位置信息如下：
Pos是位置，i是维度，d
定义为512。
下面证明选用正余弦函数进行相对位置的编码后，词汇的相对位置是线性关系。
（4）为什么对点积注意力进行缩放
问题：样本维度
越大，点积增长的幅度越大，会将Softmax函数推入梯度极小的区域，从而使训练难度增大。（具体参考softmax函数的梯度函数，即导数）
解决：构建缩放点积注意力，对
的点积乘以
，进行点积的缩放。
四、调整模型的结构超参数
下面的表格中，从左往右的超参数分别表示：
- 编码器块和解码器块的个数
- 输入输出的维度（宽度）
- 前馈网路的隐藏层维度
原文：The mensionality of input and output is dmodel= 512, and the inner-layer has dimensionality dff= 2048. - 注意力头的个数
- 一个注意力头的k的维度
- 一个注意力头的v的维度
- 舍弃比率
- 学习率
- 训练步数
- 评价指标
五、注意力可视化
不同颜色，代表不同的注意力头。
线条的暗淡程度，代表给Value分配权重的大小。
（1）许多注意头注意到动词 ‘使’ 的一个遥远依赖性，完成了短语 ‘使…更困难’ 。
（2）上面是一个注意力头的所有注意力可视化图；下面的图把 “its” 单独拿出来进行观察，其注意力权重很突出。
（3）两个不同注意力头学到的不同注意力及其权重。
>>>如有疑问，欢迎评论区一起探讨。