Transformer 修炼之道（二）、Encoder

Date: 2020/06/19

Author: CW

前言：

本篇文将对 Transformer 的 Encoder 作解析，内容应该是这个系列最丰富的一篇，因为后面的 Decoder 结构与 Encoder 几乎一致，只有些细节差异。

Encoder 的内容主要包括 多头自注意力层（Multi-Head Self-Attention） 和 前向反馈网络层（Feed Forward Network），前者用于捕捉特征之间的关系，后者是进一步编码学习，实质上等同于MLP（Multi-Layer Perceptron）。

Encoder 是由多个（通常6个）层组成的，在每个层内部都有残差连接和归一化操作，同时也包含了上述提及的多头自注意力层和前向反馈网络层。

---

Outline

I. Multi-Head Self-Attention

II. Feed Forward Network（FFN）

III. Add & Norm

IV. Summary

Encoder

---

Multi-Head Self-Attention

在 Encoder 的第1层里，多头自注意力层的输入是特征向量矩阵（比如多个词向量组成的矩阵 ），而在后面的其它层，输入则是前一层的输出。多头自注意力层由多个自注意力层组成，其输出由其中的每个自注意力层的输出拼接而成，我们可以先来看看单个自注意力层的操作。

当自注意力层获得输入后，会对其做不同的线性变换分别生成 Q（Query）、K（Key）、V（Value） 三个矩阵。

Q、K、V 的生成

然后按如下公式计算输出：

Self-Attention 计算公式

形象点用图表示如下：

Self-Attention 计算图示

这里除以原因是防止Q和K的点积值过大（即Q的列数，也是K的行数），避免在经过softmax后梯度太小。

作者的原话是：

We suspect that for large values of dk, the dot products grow large in magnitude, pushing the softmax function into regions where it has extremely small gradients.

这个计算过程的操作也称为 Scaled Dot-Product Attention 。

OK，至此，我们已经得到单个自注意力的输出，记为Z吧。而多头自注意力就是“多个头的自注意力”，通常“头数”（通俗理解为个数）设为8，这样就有8个自注意力的输出，最后将它们拼接起来再经过一个线性变换即可。

Multi-Head Attention

Multi-Head Attention 输出示意图

下面来看看代码实现：

多头自注意力代码实现 (i)

clones是一个方法，代表将结构相同的层实例化n次（上图中n=4）。

clones

接下来看看其前向过程：

多头自注意层代码实现(ii)

注意，通过代码我们可了解到，“多头”的实现是将最后一个维度分割成多个，然后将其中每个独立作为“一个头”，所有头都处理完毕后，将分割出来的维度拼接在一起实现复原。

另外，上图中可以看到有个mask，这里先不谈，在下篇解析 Decoder 时会说明它的作用。

最后来了解下自注意力的计算是如何实现的，即上图中的compute_attn这个方法：

自注意力的实现

注：以上mask_fill()方法应为mask_fill_()，这样scores才会原地改变

---

Feed Forward Network（FFN）

这部分就相对简单些，实质上就是两个全连接层，并且其中一个带ReLU激活，两层中间有Dropout。

FFN 计算公式

男子汉话不多说，直接上代码：

FFN代码实现

---

Add & Norm

在 Encoder 内部的每一层都有归一化操作和残差连接，先来看看归一化：

NormLayer

在实现过程中，需要注意下上图红框部分所说的，如果直接令self.gamma=torch.ones(features)的话gamma这个参数是不会注入到模型parameters中的，这样就不能被学习到了。

残差连接是在每一层内部，将多头自注意力或前向反馈层的输入与输出（经过dropout）连接，注意，这里的实现是在输入多头自注意力或前向反馈层前先进行归一化，实际可根据情况作更改，比如在多头自注意力或前向反馈层后再进行归一化。

残差连接

---

Summary

最后一部分来看看 Encoder 的整体实现：

Encoder

Encoder 就是由多个以下 EncoderLayer 组成：

EncoderLayer

---

最后

可以看出，Transformer 的结构还是相对简单而有规律的，但就是这么不复杂的一个东西，却意外地好使，就目前的趋势来看，编码+解码+注意力 这套玩法貌似能拓展到许多领域使用。