Transformer总结(二)：架构介绍（从seq2seq谈到Transformer架构）
文章目录
- 一、seq2seq应用介绍
- 二、编码器解码器架构
-
- 2.1 流程介绍
- 2.2 原理说明
- 三、Transformer整体结构和处理流程
-
- 3.1 Attention机制在seq2seq中的引入
- 3.2 比较RNN与自注意力
- 3.3 Transformer架构介绍
- 3.4 处理流程
-
- 3.4.1 编码器中处理流程
- 3.4.2 解码器在训练阶段和预测阶段的差异（重要）
- 3.4.3 预测阶段解码器中处理流程
在Transformer总结(一)中介绍了基础的注意力机制，接下来将结合具体的任务场景，介绍Transformer的整体架构，并简单探讨一下相应原理。其中涉及到的组件将在Transformer总结(三)中详细说明。
一、seq2seq应用介绍
Seq2Seq（Sequence to Sequence）模型，主要用于处理序列到序列的映射问题，常见的应用场景如下：
- 机器翻译：将一种语言的序列映射为另一种语言的序列。
- 文本摘要：将长文本压缩为简洁的摘要。
- 语音识别：将语音信号转换为文本序列。
- 对话系统：根据用户的输入生成响应。（可以通用处理很多场景）
二、编码器解码器架构
2.1 流程介绍
Encoder-Decoder是一个更为通用的框架，而Seq2Seq是这个框架下的一种特定实现，专门用于处理序列转换问题。Seq2Seq模型依赖于Encoder-Decoder架构，但具体实现时会有所不同。
一般的Encoder-Decoder架构如下：
编码器（Encoder）的作用：
- 信息压缩：将输入序列（如句子、音频等）转换为固定长度的向量，这个向量旨在捕捉输入序列中的关键信息。
- 特征提取：在压缩信息的过程中，编码器提取输入序列的特征，这些特征有助于后续的解码过程。
- 表示学习：编码器学习如何表示输入数据，以便这些表示可以用于其他任务，如分类、预测等。
解码器（Decoder）的作用：
- 序列生成：基于编码器生成的上下文向量，解码器逐步生成输出序列。在每一步，它可能会考虑之前的输出，以及上下文向量。
- 信息解码：解码器将编码器压缩的信息“解码”成目标序列，如翻译后的句子或语音识别的文本。
- 概率模型：解码器通常是一个概率模型，它预测在给定当前输出序列和上下文向量的情况下，下一个输出元素的概率分布。
对应到具体的seq2seq场景，可以参照下列图片展示的流程：
感谢李沐老师的教材，下列图片展示了一个机器翻译任务：
- 编码器先对句子中的单词进行编码学习，得到单词的特征表示和相应阶段的隐藏状态。
- 解码器借助由编码器得到的上下文变量，再结合每次的输入内容，从而预测输出，然后将此时的输出作为下一次的输入；以‘
’作为初始输入，依次进行，直到输出为‘ ’标识，表示句子结尾，结束输出。
2.2 原理说明
编码器（Encoder）的处理：
考虑由一个序列组成的样本（批量大小是 1 1 1）。
- 假设输入序列是 x 1 , … , x T x_1, \ldots, x_T x1,…,xT，其中 x t x_t xt是输入文本序列中的第 t t t个词元。
- 在时间步 t t t，词元 x t x_t xt的输入特征向量 x t \mathbf{x}_t xt和 h t − 1 \mathbf{h} _{t-1} ht−1（即上一时间步的隐状态）转换为 h t \mathbf{h}_t ht（即当前步的隐状态）。
函数 f f f描述了这种变换：
h t = f ( x t , h t − 1 ) . \mathbf{h}_t = f(\mathbf{x}_t, \mathbf{h}_{t-1}). ht=f(xt,ht−1).
总之，编码器通过选定的函数 q q q，将所有时间步的隐状态转换为上下文变量：
c = q ( h 1 , … , h T ) . \mathbf{c} = q(\mathbf{h}_1, \ldots, \mathbf{h}_T). c=q(h1,…,hT).
解码器（Decoder）的处理：
- 直接使用编码器最后一个时间步的隐状态来初始化解码器的隐状态。
- 解码器每个时间步 t ′ t' t′输出 y t ′ y_{t'} yt′的概率取决于上一次的输出 y t ′ − 1 y_{t'-1} yt′−1、隐状态 s t \mathbf{s}_{t} st、上下文变量 c \mathbf{c} c
- 使用函数 g g g来表示解码器的隐藏层的变换：
s t ′ = g ( y t ′ − 1 , c , s t ′ − 1 ) . \mathbf{s}_{t^\prime} = g(y_{t^\prime-1}, \mathbf{c}, \mathbf{s}_{t^\prime-1}). st′=g(yt′−1,c,st′−1).
- 将 y t ′ − 1 y_{t'-1} yt′−1与 c \mathbf{c} c拼接得到新参数，再与隐状态 s t \mathbf{s}_{t} st一起传入计算得到 y t ′ y_{t'} yt′
三、Transformer整体结构和处理流程
3.1 Attention机制在seq2seq中的引入
在上述展示的内容中，解码器如何使用上下文变量 c \mathbf{c} c是值得探讨的，解码器仅在其初始化阶段使用解码器最终得到的隐藏状态，每次计算使用的上下文 c \mathbf{c} c是一个固定值，但很明显这种方法不能高效地利用解码器中的信息，因为它忽略了输入词元与解码器中词元的关系，所以可以往其中简单引入注意力机制，Bahdanau Attention正是对上述架构的加强：
Bahdanau Attention：
- 在解码器的处理过程中， c t ′ = ∑ t = 1 T α ( s t ′ − 1 , h t ) h t , \mathbf{c}_{t'} = \sum_{t=1}^T \alpha(\mathbf{s}_{t' - 1}, \mathbf{h}_t) \mathbf{h}_t, ct′=∑t=1Tα(st′−1,ht)ht,，每个时间步的上下文变量都是重新计算出来的，这里使用的是加型注意力机制计算注意力权重
- 30和50表示的是训练阶段使用句子的单词数目上限；search表示引入了注意力机制，enc表示传统机制；根据结果可以看到，在长句子中，引入注意力机制的模型不仅鲁棒性更强，而且效果也更好
NEURAL MACHINE TRANSLATION BY JOINTLY LEARNING TO ALIGN AND TRANSLATE原文
3.2 比较RNN与自注意力
Bahdanau Attention基于RNN，观察上述的实现，可以发现RNN存在一些局限：
- 顺序处理：必须按时间步依次处理序列元素，限制了并行处理的能力，也导致计算效率的低下
- 长距离依赖受限：RNN在反向传播过程中存在梯度消失或梯度爆炸的问题，这限制了RNN捕捉长距离依赖的能力
针对上述两点，自注意力可以做出提升：
- 支持并行：自注意力不依赖于时间步，且其中的矩阵运算很适合并行，可以在GPU上高效执行
- 直接关系建模：直接计算序列中任意两个位置之间的关联，有效地提升了模型捕捉长距离依赖的能力
3.3 Transformer架构介绍
Attention Is All You Need原文
Transformer架构完全基于注意力，它摒弃了传统的循环神经网络（RNN）结构，转而采用自注意力机制来处理序列数据。这种机制允许模型并行计算序列中所有位置的表示，从而有效捕捉长距离依赖关系。
编码器架构
编码器由几个完全一样的块组成，而每个块则由两个子层组成，分别为：
- multi-head self-attention mechanism
- positionwise fully connected feed-forward network
对于每个子层，再使用residual connection和layer normalization。子层的输出为：
L a y e r N o r m ( x + S u b l a y e r ( x ) ) LayerNorm(x + Sublayer(x)) LayerNorm(x+Sublayer(x))
为了方便进行残差连接，所以需要统一子层输入输出的维度，此时涉及到了两个超参数，分别为：块数、子层的输入输出维度；而论文中超参数设定块数为6，维度为512。
解码器架构
解码器同样使用6个完全一样的块组成，但与编码器不同的是，此时每个块由三个子层组成，分别为：
- masked multi-head self-attention mechanism
- multi-head self-attention mechanism
- positionwise fully connected feed-forward network
对于每个子层，同样使用residual connection和layer normalization。
整体架构见下图
3.4 处理流程
接下来将以上述的机器翻译任务为例，简单说明一下如何实现结果的预测，关于一些操作的具体实现会在后文中详细说明，在Transformer总结(一)也稍有提及。
若动图无法加载，可见动图来源
3.4.1 编码器中处理流程
- 最初的输入序列由词元所组成，通过 嵌入层（embedding layer） 来获得输入序列中每个词元的特征向量，经过这一步，数据的结构将变为 (batch_size, num_steps, embed_size)
- 位置编码（Positional Encoding） 会给序列中的每个词元（分配一个相同大小的向量。这个向量的维度与词元的嵌入向量维度相同，确保了它们可以相加在一起，并且不改变数据结构。
- 多头注意力（Multi-Head Attention） ，先对此时的输入序列进行线性变换，得到多组query、Key、Value，每组单独计算得到的结果进行拼接，再次经过线性变换得到结果，此时输出的结构依然为 (batch_size, num_steps, embed_size)，也就是最终结构没有发生变化。
- 残差连接（Residual Connection） ，将子层的输出与输入相加，由于维度未发生变化，所以直接相加，结构依然无变化。
- 层归一化（Layer Normalization），对每个词元的特征向量进行归一化操作，也就是每个词元都会有各自的均值和方差，但结构依然无变化。
- 前馈神经网络（Feed-Forward Neural Network） 是一个两层的全连接层，第一层的激活函数为 Relu，第二层不使用激活函数，对应的公式如下：
m a x ( 0 , X W 1 + b 1 ) W 2 + b 2 max(0,XW_1+b_1)W_2+b_2 max(0,XW1+b1)W2+b2此时结构将变为 (batch_size, num_steps, ffn_num_outputs)，但此时结构依然没有发生变化，后续的残差操作也可作为佐证。
3.4.2 解码器在训练阶段和预测阶段的差异（重要）
需要重点说明的是，解码器是一个自回归模型，使用上一次预测的结果作为下一次的输入，所以它在预测阶段是串行的，但是在训练阶段可以使用 强制教学（Teacher Forcing） 从而并行计算。
teacher-forcing ，在训练网络过程中，每次不使用上一个state的输出作为下一个state的输入，而是直接使用训练数据的标准答案(ground truth)的对应上一项作为下一个state的输入。
这也就意味着训练阶段不必依赖于之前的输出生成输入，而是直接得到每个时间步的输入，也就是可以并行计算。
由强制教学出发，此时便可以说明masked multi-head self-attention mechanism中掩码的作用。掩码通过控制注意力权重，从而在计算多头注意力时query不会关注当前时间步之后的信息，等会将详细说明。预测阶段，也就不需要使用这里的Sequence Mask机制了。
3.4.3 预测阶段解码器中处理流程
具体细节可见知乎讲解，此处仅以动图进行演示。
其中值得说明的是整体右移一位（Shifted Right），解码器每次处理都需要输入，但在最开始的时候还没有上一个阶段的预测输出，此时就要以起始符作为初始的输入，而这个起始符将导致输入句子在原始的基础上右移一位。