transformer模型

1：transformer结构

 

 

 2：单个的encoder

 2.1输入部分

 2.1.1embedding

2.1.2位置编码

 【注】RNN是按照时间线展开，单词的先后顺序没有被忽略。而transformer是并行处理的，故增快了速度，忽略了单词之间的先后顺序。

 

 

 2.2注意力机制

2.2.1注意力机制

 

基本的注意力机制：

 

 

 

 TRM中的中的注意力机制操作：

 

 

 

 

 2.3残差和LayNorm

2.3.1残差：

 

　　　　　　　　　　　　　　         图1

 【注】这里的⊕ 为对位相加。

　　　　　　　　　　　　　　　　图2

 【注】这里的X(Aout)也就是图2中A的输出也即是图1中的X。

【注】一般梯度的消失时由于连乘的出现导致的，然而残差网络由于公式

中1的存在缓解了梯度消失的出现。

2.3.2Layer Normalization（Batch Normalization效果差，所以不用）:

2.3.2.1BN：

BN优点：

 BN的缺点：

 

例如Batchsize为10，前9个样本的单词数量为5，最后一个样本的单词数量为20:

 【注1】由于前5个均值和方差可以通过10个样本计算，则第6-第20个单词的只有最后一个样本有，则导致在计算第6-第20个单词的均值和方差时Batchsize较小。

【注2】BN之所以在RNN中不好，是由于RNN的输入时动态的，可能会出现【注1】中的情况。

2.3.2.2Lay-Norm

 

 【注】假设一个batch包含X1,X2,X3.......X（R），X（R）表示了R个人，则X1（1），X1(2)........分别为人X1的不同特征。此种类型的数据，用BN作均值和方差计算更为合理。

 【注】对于自然语言处理，BN计算均值和方差显然没有LN方式进行计算均值和方差合理。

 2.4前馈神经网络

上图中TRM的前馈神经网络是由：两个全连接层和1个残差结构组成

3：decoder详解

3.1多头注意力机制

 【注】因为进行模型训练时，是能看到当前训练单词之后的单词的。然而在进行预测时，模型是不知道将要预测出的单词之后的单词的。因此会造成不一致，导致模型的效果变差。故可以通过mask在训练时就将正在训练的单词之后的单词掩盖掉。

3.2交互层

 

 

 

 【注】交互层的K，V矩阵是来自encoder，Q矩阵来自decoder。两者交互生成多头注意力机制。