【论文精读（李沐老师）】Attention Is All You Need

Abstract

在主流的序列转录（给你一个序列，生成另外一个序列）模型中主要是依赖复杂的RNN和CNN，一般包括encoder和decoder两个结构。在性能最好的模型里，通常使用注意力机制连接encoder和decoder。
（本文想做一个序列转录模型，讲述了一下现在主流的模型是什么）
本文提出了一个新的简单的架构——Transformer，本模型完全基于注意力机制，而没有用RNN和CNN。做了两个机器翻译的实验，显示出这个模型在性能上特别好，有更好的并行化以及需用更少的时间来训练。我们的模型在英语到德语上的翻译工作达到了28.4的BLEU score，比目前最好的结果高出2个BLEU score。在英语到法语的翻译工作上，做了一个单模型实验，比所有的模型效果都要好，只在8个GPU上训练了3.5天。Transformer模型在别的任务上泛化的都很好。
（本文本来是针对机器翻译这一小领域提出的transformer，其出圈是可以应用到nlp，video等领域并取得了很好的效果）

Conclusion

一、本文提出了transfomer模型，是第一个仅仅使用注意力机制的序列转录模型，把之前的循环层全部换成了muti-headed self-attention。
二、在机器翻译任务上，transformer要比基于RNN和CNN的架构快很多。在实际任务中，效果也比较好。
我们认为transformer可以用在文本以外的任务中，包括图片、语音和视频。使生成不那么时序化也是另外一个研究方向。

Introduction (对摘要的扩充）

一、在时序模型中，常用的是RNN（2017年提出）、LSTM和GRU。两个比较主流的模型是语言模式和Encoder-decoder架构。
二、（主要讲RNN的特点和缺点）假设你的序列是一个句子，RNN会一个词一个词的看，对第t个词，会计算其隐藏状态ht，ht是由h(t-1)和第t个词本身决定的。因此导致，难以并行化，计算量大以及会丢失距离较远的信息，如果不想丢失则需要付出较大的内存空间。虽然采用了一些因式分解等方法提升并行度，但是本质上还是没有解决太多的问题。
三、（主要讲Attention在RNN上的应用，如何将encoder的东西有效的传到decoder。）
四、（讲本文提出的transformer）transformer不再使用RNN，而是纯基于注意力机制，并行度很高，能在较短时间内做到很好的一个效果。

Background（相关工作）

一、如何使用CNN替换RNN来减少时序的计算，但CNN对于比较长的序列难以建模，Transfomer可以看到整个序列。但是卷积可以做多个输出通道，我们也想要这个效，所以提出了muti-headed attention来模拟CNN多输出通道的一个效果。
二、讲自注意力机制，这个工作已被提出，并不是本文的一个创新。
三、讲End-to-end Memory networks。
四、Transformer是第一个只依赖于自注意力机制，来做encoder-decoder架构的模型。

Model Architecture

一、序列模型中，现在比较好的是一个encoder-decoder的架构。encoder，是把x=（$x_1$，……，$x_n$）表示成z=（$z_1$,……，$z_n$）。decoder，放入z，生成一个（$y_1$，……$y_m$）的序列，在decode中，词是一个一个生成的，使用auto-regressive，即过去时刻的输出，作为当前时刻的输入。
二、Transformer是使用了一个encoder-decoder的架构，具体来说是将一些自注意力机制，Point-wise和fully connected layers堆积在一起。

Encoder and Decoder Stacks

Encoder:
使用了N=6个完全一样的layer。每个layer有两个子层，第一个子层是multi-head self-attention mechanism，第二个子层是a simple, position-wise fully connected feed-forward network（其实就是一个MLP，多层感知机）。对每一个子层用了一个残差连接，最后使用(layer norm，对每一个样本做Norm)层归一化。为了简单起见，对每一层输出的维度都变成512。
Decoder：
使用了N=6个完全一样的layer。每个layer有三个子层，其中两个子层与encoder一样，第三个子层用了一个Masked Multi-Head Attention。Mask，当前时刻为t，mask只能让看到t时刻之前（为了保证和预测时保持一致，具体做法：将t时刻之后，包括t时刻，取一个很大的负数如$-10^{10}$，这样进入softmax做指数后就会变成0）。

Attention（注意力层）

注意力函数是一个将query和一些key-value对映射成输出的一个函数。query，key-value和output都是一些向量。output是value的一个加权和（导致output和value的维度一样），每个value的权重是value对应的key与query的相似度算来的。
（在连接encoder和decoder时，key和value不会改变，随着query的改变，权重不同，输出也会不同）

Scaled Dot-Product Attention（是最简单的注意力机制）

一、query和key长度都是等长的，为$d_k$。value是$d_v$（那么输出也是$d_v$）。对query和key做内积，然后将其作为相似度（内积越大，相似度越高），然后除以 $\sqrt{d_k}$，然后通过一个softmax（对每一行做softmax，每一行之间是独立的）来得到权重（非负加起来为一）。
二、query可以写成一个矩阵Q（因为可能不止一个query），key——K，value——V


三、一般有两种比较常见的注意力机制：additive attention（可以处理query和key不等长的情况） 和 dot-product attention（本文用）。两种注意力机制其实差不多，本文选择的是点乘注意力机制，因为简单、高效。
四、（解释为什么除以一个 $\sqrt{d_k}$）当$d_k$（向量长度）比较大时，点积后的值可能会比较大/较小，就会导致softmax后的值向两端（0和1）靠拢，出现这种情况算梯度会比较小，所以除以一个 $\sqrt{d_k}$。

Multi-Head Attention

一、与其做一个单个的注意力函数，不如将整个k,v,q投影到低纬，投影h次（本文用了8个头），然后再做h次的注意力函数，然后将每一个注意力函数的输出并在一起，再投影回来得到一个最终的输出。


三、在我们的工作中，h=8。因为有残差连接的存在，我们输入和输出的维度要一样，所以投影的维度为$d_k=d_v=d_{m}odel/h=512/8=64$（我们每一次将其投影到64维，然后算注意力函数，最后在投影回来）。

Applications of Attention in our Model（讲在transformer中如何使用注意力机制的）

一、在编码器（encoder layers）这一层。假设句子长为n（n个词），则编码器的输入为n个长为d的向量。Q,K,V其实是一样的，复制了三份，只是$w_q，w_k，w_v$不同。
二、在解码器（decoder layers）这一层。唯一与编码器这一层的注意力机制，不一样的是有一个mask这个东西。
三、在连接encoder和decoder这一层，key和value来自编码器的输出（n个长为d的向量），query来自解码器下一个attention的输入（m个长为d的向量）。

Position-wise Feed-Forward Networks（下图中蓝色部分）

一、其实就是一个全连接的前馈网络（其实是一个MLP），不一样的是同一个MLP对每一个词都作用了一次（这个就是position-wise）。

二、x是一个512维，$W_1$会将其投到2048维（扩大了四倍），但是由于还要做残差连接，所以用$W_2$将其又投影到512维。FFN(x)说白了就是一个单隐藏层MLP，然后中间隐藏层把输入扩大了四倍，最后输出的时候又回到输入大小。
其实就是通过一个attention层全局的去拉了整个序列的信息，然后再用MLP做语义的转换。

Embeddings and Softmax

embedding，给任何一个词，学习一个长为d（本文d=512）的向量来表示。
编码器，解码器，在softmax之前，都需要一个embedding，本文为了方便，使用了相同的权重。在embedding layers乘了一个 $\sqrt{d_{model}}$（d=512)。因为在学习embedding的时候，会把每一个向量的L2 norm学成一个比较小的值，从而导致学习到的权重值比较小。因为要之后要加入Positional encoding，乘了一个 $\sqrt{d_{model}}$后这样会使得这两个在规模（scale)上差不多。

Positional Encoding

attention不会处理时序信息，当一句话的词颠倒时，对于attention来说没变化，但是这句话的语义已经发生了改变，所以需要positional encoding。

Why Self-Attention

Complexity per Layer计算复杂度（越低越好）
Sequential Operations顺序的计算（越低越好，即下一步计算必须要等前面多少计算完成）
Maximun Path Length（越短越好，一个信息到另一个信息点的距离）

Training

Training Data and Bathing

byte-pair encoding (bpe)…

Hardware and Schedule

8 NVIDIA P100 GPUs…

Optimizer

Adam
模型越宽学习率越小

Regularization（正则化）

Residual Dropout
Transformer中对每个子层（self-attention层和全连接层）都进行了residual dropout。具体来说，在每个子层的输入和输出之间添加了一个残差连接，并在残差连接上应用了dropout。这样做的目的是防止过拟合和加速训练。
Label Smoothing