Multi-Head Attention和Transformer Decoder（GPT）详解

一、Transformer的Attention

1. Self-Attention

  如前篇文章所述，Scaled dot-prodect Attention是先计算Query和各个Key的相似性，即每个Key对应Value的权重系数，进而对Value进行加权求和（矩阵乘法），即得到了最终的Attention数值。其中，Key和Value是相同的数值，即代表同一个来源的句子，Query代表的是目标句子，Query和Key往往是不同的。
  而在Self-Attention中，Query则和Key、Value相同，故而这时的Attention称为Self-Attention，即句子中每个词在这个句子中的Attention，如下图：

2. Masked Self-Attention

  Masked Self-Attention是对Self-Attention的改进，在Self-Attention中，会计算每个单词与句子中所有其他单词的关系权重。而在实际的自然语言生成过程中，句子都是逐字生成的，当前字正在生成时，该字后边的句子内容还是未知的，即为空，因此，影响当前字的只有当前位置之前的句子，而不包括当前位置之后还处于未知状态的内容。此时Masked Self-Attention应运而生，如下图：

  上述公式中，给Q和K的权重系数矩阵，加上一个右上角的值全为“负无限大”的矩阵，这样就掩盖了当前的Query与其后所有字的权重系数（置为0），称为Masked Self-Attention。
  上节中的例子经过Mask后，变为如下形式：

3. Multi-Head Attention

  Multi-Head Attention即将QKV映射到不同的空间让多个Head去学习不同的特征，从而均衡同一种注意力机制可能产生的偏差，让词义拥有来自更多元的表达，实验表明可以提升模型效果。原理如下图：

  那么，如何获得同一组QKV的不同空间特征呢？答案是进行线性变换，即对每组QKV，通过Linear计算，取得对应的特征矩阵，再对不同的特征矩阵组做Attention计算，最后将计算结果合并到一起且再经过Linear计算，得到最终的Multi-Head Attention，如下图：

  注：d_model（词向量的维度）等于d_k（Linear变换的矩阵维度）乘以h（Head的数量）。

二、Transformer Decoder（GPT）

1. GPT的网络结构

  上图是一个标准的GPT（Transformer Decoder）的网络结构，从下往上，共分为如下几个部分：
  1. Inputs：GPT的输入，常见的是一段文字输入。在GPT中，我们会先将输入的句子中每个文字（或词语）映射为机器可以识别的token（即一个数字），常见的方法是维护一个词汇表，取该文字（或词语）在词汇表中的index为token。对于中文的句子，还要注意一句话中某些字可以组成一个词语，代表某一个完整的意思，那么这个词语在词汇表中的index就作为token，而不是将词语中的每个字拆开分别查找index；
  2. Input Embedding：Embedding即词向量，该层是将输入的token映射为更紧凑的矩阵（1中映射得来的token转换成one-hot编码后，是一个稀疏矩阵，浪费了大量的计算资源，故需要转换成更紧凑的矩阵）；
  3. Positional Encoding：位置编码是将每个字（词）在句子中的位置做相应编码（即一个代表[1, 2, 3, …]的向量），并将其与输入相加，目的是让模型知道每个字（词）在句子中的位置信息，实验表明，该方式可以提高模型的准确度；
  4. Multi-Head Attention：如上节所述，该层用于计算QKV的权重系数矩阵，即Attention，注意，这里的Attention是Masked Self-Attention；
  5. Add&Norm：类似于残差网络的设计，将经过Multi-Head Attention前的输入，和经过Multi-Head Attention之后的输出相加并做Norm，可以让信息保存的更加完整；
  6. Feed Forward：该层由两个Dense层组成，激活函数是relu，作用是对Attention做线性变换，更好的识别其代表的特征；
  7. Add&Norm：同5；
  8. Linear&Softmax：输出层，输出一个固定长度的文字序列，每个文字有不同的准确率（由于存在Softmax，所有的概率相加为1），如果想让模型输出更加多样化，则可以随机选择准确率最大的几个字，反之，则减小选择的范围；
  注：图中的N，代表重复N次，不同的GPT版本N的大小不同，代表的参数规模也不同。

2. GPT的计算原理

  GPT的计算过程基本如1中所述，这里引用一张网络上的图片做个总结：