Transformer模型

Transformer模型详解

本文主要介绍transformer模型的具体实现
2107年，Google在论文Attention is all you need

提出了transformer模型，其使用self-attention结构取代了在NLP任务中常用的RNN网络结构，相比RNN网络结构，其最大优点是可以并行计算，Transformer模型整体架构如图1.1所示：

Transformer概览

首先，让我们讲transformer模型视为一个黑盒子，如图1.2所示：在机器翻译任务中，将一种语言的一个句子作为输入，然后将其翻译成另一种语言的一个句子作为输出。

transformer本质上是一个Encoder-Decoder架构，因此，中间部分的transformer的可以分为两个部分，编码组件和解码组件、如图1.3所示：

其中，编码组件由多层编码器（Encoder)组成，(在论文中，作者使用了6层编码器）在实际使用过程中可以尝试其他层数。解码组件也由相同层数的编码器组成（Decoder)组成。（在论文中也使用了6层）。
**
**

每个编码器由两个子层组成：Self-attention层（自注意力层）和Position-wise Feed Forward Network（前馈网络，缩写为FFN）。每个编码器结构都是相同的，但是其使用不同的权重参数。

编码器的输入会先流入Self-attention层。其可以让编码器在对特定词进行编码时，使用输入句子的其他词的信息。（可以理解为：当我们翻译一个词时，不仅只关注当前的词，而且还会关注其他词的信息）
后面，我们将会详细介绍self-attention的内部结构，然后self-attention的输出会流入前馈网络。

解码器也有编码器中这两层，但是它们之间还有一个注意力层，（即Encoder-Decoder Attention). 其中用来帮忙解码关注输入句子的相关部分。

引入张量

现在我们已经了解了模型的主要组成部分，让我们开始研究各种向量\张量，以及它们在这些组成部分之间是如何流动的，从而将输入经过已经训练的模型转换为输出。
和通常的NLP任务一样，首先，我们使用词嵌入算法（Embedding)将每个词转换为一个词向量，在Transformer论文中，词向量的维度是512.

每个词嵌入到大小为512的向量中，我们将用这些简单的框代表这些向量。
嵌入仅发生在这些最底层的编码器中，所有编码器都会接收到一个大小为512的向量列表——底部编码器接受到一个词嵌入向量。其他编码器接收的是上一个编码器的输出。这个列表是大小是我们可以设置的超参数。
基本上这个参数就是训练数据集的最长句子的长度。
对输入序列完成嵌入操作后，每个词都会流经编码器的两层。

接下来，我们将输入一个更短的句子作为示例。来说明编码器中每个句子中发生了什么？
上面我们提到，编码器会接受一个向量作为输入。编码器首先将这些向量传入到Self-attention层。然后传递到前馈网络，最后将输出传递到下一个编码器。

Self-attention(自注意力）

概览

首先，我们通过一个例子，来对Self-attention有一个直观的认识，例如我们要翻译下面这个句子：

The animal didn’t cross the street because it was too tired
这个句子中it是指的是什么？是指的是animal还是street？。对人来说，这是一个简单的问题，但是算法来说却不那么简单。
当模型在处理it时，Self-attention能够将it 和animal关联起来。
当模型处理每个词（输入序列中的每个位置）时,Self-attention不仅能够关注当前词的位置，而且能够关注句子中的其他位置的词。从而更好地编码这个词。
如果你熟悉RNN，想想如何维护隐状态，使得RNN将已经处理的先前词\向量的表示。与当前正在处理的词和向量进行合并。Transformer使用Self-Attention机制将其他词理解融入到当前词中。

图 1.10 当我们在编码器 #5（堆栈中的顶部编码器）中对单词**”it“进行编码时，有一部分注意力集中在”The animal“上，并将它们的部分信息融入到”it“的编码**中。

Self-attention机制

基本结构如图所示：

                                      缩放点击注意力

对于Self-attention来讲，Q（query)、和K（key)、和V（Value).三个矩阵均来自同一输入，并按照以下步骤计算：

首先计算Q和K之间的点积，为了防止其结果过大，去除以$$\sqrt{d_k}$$
其中**$d_k$为Key向量的维度**。

然后利用Softmax操作将其结果归一化为概率分布，在乘以矩阵$V$J就得到权重和表示。
整个过程的计算公式表示为：
$$Attention(Q,K,V)=softmax(\frac{Q{k}^T}{\sqrt{d_k}})V$$

为了更好地理解Self-attention, 下面，我们通过具体的例子进行详细说明：

Self-attention详解

让我们看一下，如何使用向量来计算Self-attention. 计算Self-attention的步骤如下：

第一步：

对编码器的每个输入向量(在本例中，即每个词的词向量）。创建三个向量：Query向量、Key向量、Value向量。它们是通过词向量分别和3个矩阵相乘得到，这3个矩阵通过训练获得：
请注意：这些向量的维数小于词向量的维数。新向量的维数为54.而embedding和编码器输入\输出向量的维数为512.新向量不一定非要更小。这是为了使多头注意力计算保持一致的结构性选择。

图中，$$X_1$$乘以权重矩阵$$W^Q$$得到$$q_1$$ 即与单词关联的Query向量。最终会为输入句子中的每个词创建一个Query，一个Key和一个Value向量。

什么是Key、Query、和Value向量？
其是一种抽象的，对注意力的计算和思考非常有用，继续阅读下面注意力的计算过程，将了解这些向量所扮演的角色。

第二步

计算注意力分数，假设我们正在计算这个例子中的第一个词"Thinking"的子自注意力，需要根据“Thinking"这个词，对句子中的每个词都计算一个分数，这些分数决定了我们在编码”Thinking"这个词时，需要对其他位置的每个词放置多少注意力。
这些分数，是通过“Thinking"的Query向量，和需要评价的词的Key向量点积得到的，如果我们计算句子中第一个位置词的注意力分数。则第一个分数是$q_1$和$k_1$的点积，第二个分数是$q_1$和$k_2$的点积。

第三步

将每个分数除以$\sqrt{d_k}$,（$d_k$是Key的向量的维度，目的是在反向传播时，求梯度更加稳定，实际上，也可以除以其他数。

第四步

将这些分数进行Softmax操作，Softmax将分数进行归一化处理，使得其都为正数并且和为1、

这些 Softmax 分数决定了在编码当前位置的词时，对所有位置的词分别有多少的注意力。很明显，当前位置的词汇有最高的分数，但有时注意一下与当前位置的词相关的词是很有用的。

第五步

将每个Softmax分数分别与每个Value值向量相乘，这种做法背后的直觉理解是：对于分数高得部分，相乘后得值就越大，我们会把更多得注意力放在其身上，对于分数底得位置，相乘后得值就越小，这些位置得词可能相关性不大，我们就可以忽略这些位置得词。

第六步

将加权得Value向量求和，这样就得到了自注意力层在这些位置的输出。

这样就完成了自注意力的计算，生成的向量会输入到前馈网络中，但是在实际实现中，此计算是以矩阵形式进行，以便实现更快的处理速度，下面来看看如何使用矩阵计算。

使用矩阵计算Self Attention

第一步

计算Query、Key、Value矩阵，首先将所有词向量放入一个矩阵$X$中，然后分别和三个我们训练过的权重矩阵($W^Q$,$W^k$ $W^V$),相乘，得到Q,K，V矩阵。

图 1.16 矩阵 X 中的每一行，表示输入句子中的每一个词的词向量（长度为 512，在图中为 4 个方框）。矩阵 Q，K 和 V 中的每一行，分别表示 Query 向量，Key 向量和 Value 向量（它们的长度都为 64，在图中为 3 个方框）

第二步：

计算自注意力，由于这里使用矩阵进行计算，可以将前面的第二步到第六步压缩为一步：

多头注意力（Multi-head Attention）

在Transformer论文中，通过添加一种多头注意力，进一步完善了自注意力层，具体做法：首先通过$h$个不同线性变换对Query, Key, Value进行映射。
然后将不同的attention拼接起来，最后在进行一次线性变换，基本结构如图所示：

每一组注意力用于将输入映射到不同的子表示空间，这使得模型可以在不同的子表示空间中关注不同的位置。整个计算过程可以表示为：

$$MultiHead(Q,K,V)=Concat(hea{d}_1,hea{d}_2,hea{d}_3,.....,hea{d}_h)W^O$$
$$hea{d}_i=Attention(Q{W}_i^Q,K{W}_i^K,V{W}_i^V)$$

在多头注意力下，我们为每组注意力单独维护不同的$Query,Key,Value$的权重矩阵，从而得到不同的$Query,Key,Value$矩阵，如前面所示：我们将$X$乘以$W^Q{W}^K和W^V矩阵$。
得到$Query，Key,Value$ 矩阵。

按照上面的方法，使用不同的权重矩阵进行8次注意力的计算，就可以得到8个不同的$Z$矩阵。

接下来就有点麻烦了，因为前馈神经网络接收的是一个矩阵（每个词的词向量），而不是上面的8个矩阵。因此，需要一种方法将八个矩阵整合成一个矩阵。具体方法如下：

• 把八个矩阵$Z_0,Z_1,Z_2,....,Z_7$ 拼接起来。
• 把拼接后的矩阵和一个权重矩阵$W^O$相乘。
• 得到最终矩阵$Z$,这矩阵包含了所有注意力头的信息，这个矩阵会被输入到FFN层。
  

这差不多就是多头注意力的全部内容了，下面将所有内容放置在一张图中，以便我们可以同意查看。

现在让我们重新回顾下前面的例子，看看再对示例句子中的$it$进行编码时，不同的注意力头关注的位置分别在哪：

当我们对$it$进行编码时，一个注意力头关注$"Theanimal"$时，另一个注意力头关注$tired$，从某种意义上来说，模型对it的表示，融入了animal和tired的部分表达。

Multi-head Attention的本质是：在参数总量保持不变的情况下，将同样的$Query,key,Value$映射到源来的高维空间的不同子空间中进行Attention计算。在最后一步在合并不同子空间中的Attention信息。这样降低了计算每个 head 的 Attention 时每个向量的维度。在某种意义上防止了过拟合，由于Attention在不同子空间由不同的分布，多头注意力实际上寻找了序列之间不同角度的关联关系，并在最后拼接这一步骤中，将不同子空间捕获到的关联关系再综合起来。

位置前馈网络

位置前馈网络就是一个全连接前馈网络，每个位置的词都单独经过这个完全相同的前馈神经网络。其由两个线性变换组成，即两个全连接层组成。第一个全连接层的激活函数为ReLU激活函数，可以表示为：
$$FFN(x)=max(0,x{W}_1+b_1)W_2+b_2$$
在每个编码器和解码器中，虽然这个全连接结构网络结构相同，但是不共享参数，整个前馈网咯的输入和输出维度都是$d_{m}odel=512$ 第一个全连接层的输出和第二个全连接层的输入维度为$d_{ff}=2048$。

残差连接和归一化

编码器结构有一个需要注意的细节，每个编码器的每个子层（Self-attention和FFN层）都有一个残差连接，在执行一个层的标准化操作，整个计算过程可以表示为：
$$su{b}_{l}aye{r}_{o}utput=LayerNorm(x+SubLayer(x))$$

将向量和自注意力层的标准化操作可视化如下： 如下图所示：

上面操作也适用于解码器的子层。假设一个 Transformer 是由 2 层编码器和 2 层解码器组成，其如下图所示：

为了方便进行残差连接，编码器和解码器中的所有子层和嵌入层的输出维度都需要保持一致。在Transformer论文中$d_{m}odel=512$.

位置编码

当目前为止，我们所描述的模型中缺少一种东西，表示序列中词顺序的方法。为了解决这个问题，Transformer模型为每个输入的词嵌入向量添加一个向量。这些向量遵循模型学习的特定i模式，有助于模型确定每个词的位置，或序列中不同词之间的距离：

如果我们假设词嵌入向量维度是4时，那么实际位置编码如下：

那么位置编码到底遵循什么模式，其具体数学公式如下：
$$P{E}_{(}pos,2i)=sin(pos/10000^{2i/d_{model}})$$

$$P{E}_{(}pos,2i+1)=cos(pos/10000^{2i/d_{model}})$$

其中$pos$表示位置，$i$表示维度。上面的函数使得模型可以学到$token$之间的相对位置关系；
任意位置$$P{E}_{(}pos+k)$$都可以被$P{E}_{(}pos)$的线性函数表示：

在下面，我们将这些值进行可视化，每一行对应一个向量的位置编码，以第一行对应于输入序列中第一个词的位置编码。每一行包含 64 个值，每个值的范围在 -1 和 1 之间。

解码器

现在我们已经介绍了编码器的大部分概念，我们也了解了解码器的组件的原理。现在让我们看下编码器和解码器是如何协同工作的。

通过上面的介绍，我们已经了解第一个编码器的输入是一个序列，最后一个编码器的输出是一组注意力向量 Key 和 Value。这些向量将在每个解码器的 Encoder-Decoder Attention 层被使用，这有助于解码器把注意力集中在输入序列的合适位置。

完成编码阶段后，我们开始解码阶段，解码阶段每个时间步都输出一个元素。
接下来会重复这个过程，直到输出一个结束符，表示 Transformer 解码器已完成其输出。每一步的输出都会在下一个时间步输入到下面的第一个解码器，解码器像编码器一样将解码结果显示出来。就像我们处理编码器输入一样，我们也为解码器的输入**加上位置编码，**来指示每个词的位置。

Encoder-Decoder Attention 层的工作原理和多头自注意力机制类似。不同之处是：Encoder-Decoder Attention 层使用前一层的输出构造 Query 矩阵，而 Key 和 Value 矩阵来自于解码器栈的输出。

Mask（掩码）

Mask 表示掩码，它对某些值进行掩盖，使其在参数更新时不产生效果。Transformer 模型里面涉及两种 mask，分别是 **Padding Mask 和 Sequence Mask。**其中，Padding Mask 在所有的 scaled dot-product attention 里面都需要用到，而 Sequence Mask 只有在 Decoder 的 Self-Attention 里面用到。

Padding Mask

Sequence Mask 是为了使得 **Decoder 不能看见未来的信息。**也就是对于一个序列，在$ t$时刻，我们的解码输出应**该只能依赖于 $t$ 时刻之前的输出，**而不能依赖 $t$ 之后的输出。因为我们需要想一个办法，把$ t$ 之后的信**息给隐藏起来**。

具体的做法：产生一个上三角矩阵，上三角的值全为 0。把这个矩阵作用在每个序列上，就可以达到我们的目的。

总结：对于 Decoder 的 Self-Attention，里面使用到的 scaled dot-product attention，同时需要 Padding Mask 和 Sequence Mask，具体实现就是两个 Mask 相加。其他情况下，只需要 Padding Mask。

最后线性层和Softmax层

解码器栈的输出是一个$float$向量，我们怎么把这个向量转换为一个词呢？通过一个线性层再加上一个 Softmax 层实现。

线性层是一个简单的全连接神经网络，其将解码器栈的输出向量映射到一个更长的向量，这个向量被称为$logits$ 向量。

现在假设我们的模型有 10000 个英文单词（模型的输出词汇表）。因此$ logits$ 向量有 10000 个数字，每个数表示一个单词的分数。
然后，Softmax会把这些分数转化为概率，最后选择最高概率作为所对应的单词，作为这个时间步的输出。

嵌入层和最后的线性层

在Transformer论文中，提到一个细节：编码组件和解码组件中的嵌入层，以及最后的线性层共享权重矩阵。不过，在嵌入层中，会将这个共享权重矩阵乘以 $\sqrt{model}$

正则化操作

• Dropout操作，对编码器和解码器每个子层的输出都使用Dropout操作。
• Label Smoothing(标签平滑）

总结

通常存储数据都使用一种张量，能不能使用其他的数据结构来存储数据。慢慢地将其探索即可。
会自己进行运行，不断的了解各种transformer的各种变体，全部都将其研究透彻，研究完整，一切一切的都会好的样子。

总结

把前馈网络编程，卷积网络，当作一层，是不是更加清晰与了然。