Transformer 详解

感谢：

https://blog.csdn.net/longxinchen_ml/article/details/86533005（此篇解释的更详细，本篇自愧不如）

https://www.jianshu.com/p/04b6dd396d62

Transformer模型由《Attention is all your need》论文中提出，在seq2seq中应用，该模型在Machine Translation任务中表现很好。

动机

常见的seq2seq问题，比如摘要提取，机器翻译等大部分采用的都是encoder-decoder模型。而实现encoder-decoder模型主要有RNN和CNN两种实现；

CNN

cnn 通过进行卷积，来实现对输入数据的特征提取，不同的卷积核对应于不同的特征，通过CNN的层级链接实现对目标从局部到整体的感知。

CNN主要用在图像领域，nlp里也有应用，但是不是主流。
cnn很成熟，也有一些缺陷,比如学习一句话中任意两个词语的关系时，需要多层来实现，这样关系的学习需要对数次

RNN

深度学习最早在cnn上实现了大跃进，但是在一些场景下，比如系统的输出和系统之前的状态也有关系，这就需要网络有一定的记忆功能，这时引入了RNN。RNN在进行预测时，会将系统的历史状态也作为一个输入参与，从而实现利用历史信息进行预测。
RNN 擅长处理变长序列, 在nlp中用的较多。

 

 

但是rnn也存在一些问题

• 训练和预测数据依次送入模型，并行化难度大
• 长程依赖虽然通过lstm等有所解决，但是还是不够。
• 对于层次化信息的效果建模不佳

核心问题

针对rnn和cnn的缺陷，怎么解决这些问题呢？（问题如下）

• 并行化
• 提升长程依赖的学习能力
• 层次化建模

Transformer结构

针对于上面rnn和cnn的问题，google的人提出了一种新的网络结构用来解决他们的问题。

 

在上图的下面部分，训练用的输入和输出数据的embedding，都会先加上一个position encoding来补充一下位置信息。

• encoder
  途中左侧部分是encoder块，encoder中6层相同结构堆叠而成，在每层中又可以分为2个子层，底下一层是multihead self-attention层，上面是一个FC feed-forward层，每一个子层都有residual connection，，然后在进行Layer Normalization. 为了引入redisual connenction简化计算，每个层的输入维数和embedding层保持一致。
• decoder
  同样是一个6层的堆叠，每层有三个子层，其中底下两层都是multihead self-attention层，最底下一层是有mask的，只有当前位置之前的输入有效，中间层是encode和decode的连接层，输出的self-attention层和输入的encoder输出同时作为MSA的输入，实现encoder和decoder的连接，最上层和encoder的最上层是一样的，不在单说，每个子层都有有residual connection，和Layer Normalization

亮点

self-Attention

传统的encoder-decoder实现

 

传统的编解码结构中，将输入输入编码为一个定长语义编码，然后通过这个编码在生成对应的输出序列。它存在的一个问题在于：输入序列不论长短都会被编码成一个固定长度的向量表示，而解码则受限于该固定长度的向量表示。
针对这个问题，《NEURAL MACHINE TRANSLATION BY JOINTLY LEARNING TO ALIGN AND TRANSLATE》这个论文引入了attenion。他的网络结构和传统的区别在与，encoder的输出不是一个语义向量，是一个语义向量的序列，然后在解码阶段，会有选择的从向量序列中选择一个子集，这个子集怎么选取，子集元素占比的多少就是attention解决的问题。

 

 

Attention本质可以被描述为一个查询（query）到一系列（键key-值value）对的映射，如下图

 

在计算attention时主要分为三步，第一步是将query和每个key进行相似度计算得到权重，常用的相似度函数有点积，拼接，感知机等；然后第二步一般是使用一个softmax函数对这些权重进行归一化；最后将权重和相应的键值value进行加权求和得到最后的attention。目前在NLP研究中，key和value常常都是同一个，即key=value。

 

但是在Transformer的Attenion函数称为scaled dot-Product Attention,

 

是在点积attension的基础上除了一个 √d_k.论文中提到点积和Additive Attension的复杂度差不多，但是借助于优化的Matrix乘法，dot-Product在内存占用和运行速度上更优。之所以引入 √d_k， 论文认为如果 key的维数 d_k 特别大的话，那么有可能点积有可能变的很大，导致后面的softmax函数进入一个梯度很小的范围，不利于训练。

MultiHead Attention

上面讨论了Transformer中的Attentioin的原理，但是会有一个问题，就是计算时会分为两个阶段，第一个阶段计算出softmax部分,第二部分是在乘以 Value部分，这样还是串行化的，并行化不够。

 

论文中采用MultiHeadAttention，对query，key，value各自进行一次不同的线性变换，然后在执行一次softmax操作，这样可以提升并行度，论文中的head数是8个。
同时不同的head学习到词语间的不同关系

 

 

position Encoding

语言是有序的，在cnn中，卷积的形状包含了位置信息，在rnn中，位置的先后顺序其实是通过送入模型的先后来保证。transformer抛弃了cnn和rnn，那么数据的位置信息怎么提供呢？
Transformer通过position Encoding来额外的提供位置信息，每一个位置对应一个向量，这个向量和word embedding求和后作为 encoder和decoder的输入。这样，对于同一个词语来说，在不同的位置，他们送入encoder和decoder的向量不同。
Transformer中的

PE_(pos,2i) = sin(pos / 10000^2i/d_model )

PE_(pos,2i+i) = cos(pos / 10000^2i/d_model )

总结一下

• 最后在看一下整个Transformer
  
   

  
• 整体的训练过程
  
   

  
  self-attension的一个效果

  
• 从效果上来看it在两个很相似的句子中，能够发现自己和不同的词语关系的变化。