【Transformer】深入理解Transformer模型2——深入认识理解（下）

前言

Transformer模型出自论文：《Attention is All You Need》 2017年

近年来，在自然语言处理领域和图像处理领域，Transformer模型都受到了极为广泛的关注，很多模型中都用到了Transformer或者是Transformer模型的变体，而且对于很多任务，使用加了Transformer的模型可以获得更好的效果，这也证明了Transformer模型的有效性。

由于Transformer模型内容较多，想要深入理解该模型并不容易，所以我分了大概3~4篇博客来介绍Transformer模型，第一篇（也就是本篇博客）主要介绍Transformer模型的整体架构，对模型有一个初步的认识和了解；第二篇是看了b站李宏毅老师的Transformer模型讲解之后，做的知识总结（内容比较多，可能会分成两篇博客）；第三篇从代码的角度来理解Transformer模型。

目前我只完成了前两篇论文，地址如下，之后完成第三篇会进行更新。

第一篇：【Transformer】深入理解Transformer模型1——初步认识了解-CSDN博客

第二篇：【Transformer】深入理解Transformer模型2——深入认识理解（上）-CSDN博客

第三篇：【Transformer】深入理解Transformer模型2——深入认识理解（下）-CSDN博客

第四篇：

---

深入认识理解（下）

Transformer  就是Sequence-to-Sequence(Seq2Seq)：输入一个sequence，输出也是一个sequence（输出sequence的长度由机器自己决定）

AT和NAT的比较：（AT和NAT都是Decoder的一种，其中NAT表示Non-Autoregressive）

Decoder和Encoder是怎么互动的？

seq2seq训练的一些tips：

1、copy机制：

即：有些东西不需要模型生成，模型可以直接复制。例如聊天机器人、摘要生成等任务。

2、Beam Search

对于答案唯一的任务（如语音识别任务），Beam Search就比较有效果，而对于答案不唯一，需要机器有一点创造力的任务，Beam Search的效果就不是很好。

3、Scheduled Sampling

原本训练时Decoder看到的输入都是正确的，现在要加入一些错误的案例，即在训练时使Decoder看到的输入中有一部分是错误的。但这种方法会导致模型性能有所下降。

评价指标：

1、PPL(Perplexity)

PPL是nlp领域衡量语言模型好坏的指标，它主要是根据每个词来估计一句话出现的概率，并用句子长度作normalize。公式：

其中，S表示sentence，N表示句子长度，P(wi)是第i个词的概率。第一个词就是p(w1|w0)，而w0是BEGIN，表示句子的起始，是个占位符。这个式子可以这样理解：PPL越小，p(wi)越大，我们期望的sentence出现的概率就越高。（PPL越小，模型越好）

PPL的影响因素：

（1）训练数据集越大，PPL会下降得更低，1百万数据集和10万数据集训练效果是很不一样的。

（2）数据中的标点会对模型的PPL产生很大影响，一个句号能让PPL波动几十，标点的预测总是不稳定的。

（3）预测语句中的“的、了”等词也对PPL有很大影响，可能“我借你的书”比“我借你书”的指标小几十，但从语义上分析有没有这些停用词并不能完全代表句子生成的好坏。

2、BLEU和ROUGE

BLEU和ROUGE是机器翻译任务中两个常用的评价指标，BLEU根据精确率(Precision)衡量翻译的质量，而ROUGE则根据召回率(Recall)衡量翻译的质量。

BLEU(Bilingual Evaluation Understudy)：BLEU是一种用于评估机器翻译结果质量的指标。它主要侧重于衡量机器翻译输出与参考翻译之间的相似程度，着重于句子的准确性和精确匹配。BLEU通过计算N-gram（连续N个词）的匹配程度来估计机器翻译的精确度(Precision)。

ROUGE(Recall-Oriented Understudy for Gisting Evaluation)：ROUGE是一种用于评估文本摘要（或其它NLP任务）质量的指标。与BLEU不同，ROUGE主要关注机器生成的摘要中是否捕捉到了参考摘要的信息，着重于涵盖参考摘要的内容和信息的完整性。ROUGE通过计算N-gram的共现情况来评估机器生成的摘要的召回率(Recall)。

简言之，BLEU侧重于衡量翻译的准确性和精确匹配程度，更偏向于Precision，而ROUGE侧重于衡量摘要的信息完整性和涵盖成都，更偏向于Recall。这两个指标在不同的任务和应用场景中都有其重要性，因此在评估nlp模型时，经常会同时使用它们来综合考虑模型的表现。

几个问题详解

1、自注意力机制中为什么要除以

如果有没太看明白的，想深入了解的可以参考这篇博客：

https://blog.csdn.net/qq_44846512/article/details/114364559

2、为什么要使用层归一化？

神经网络中，每一层的计算结果会导致上层的输入分布发生变化。因此，在层数较多的模型中，高层的输入往往会变化巨大，导致上层参数需要根据底层输入数据的分布不断进行调整，而且更高层的参数会对底层输入非常敏感。

为了解决以上问题，采用了层归一化(layer normalization)，对每一层的输入进行归一化操作，即计算该层输入的平均值和标准差，将输入的每个维度标准化。

3、残差网络(residual network)

将一个网络层的输出与输入相加的方法来自残差网络，目的是降低计算导数时链式法则路径的平均长度。

---

以上就是剩下的看视频学习的知识总结，还有我看视频时想到的问题的相关解答，希望能够帮助到大家~