【学习笔记】Transformer (1)
在看Transformer之前，建议先学习一下Self-attention。
同样，这边笔记是参考李宏毅老师的课程和ppt，感兴趣的可以去看原视频~
补充了Transformer论文精读笔记，建议结合本文食用: )
Sequence-to-Sequence
没错！Transformer是一个sequence-to-sequence (Seq2Seq) 的模型，也就是输入一个sequence，模型会输出一个sequence。
前面讲self-attention提到模型有三种输出：1. 每个向量都有一个label；2. 整个序列有一个label；3. 输出sequence的长度由模型自己决定，也就是这边的Seq2Seq。
经典的应用包括：机器翻译、语义识别、问答机器人...几乎什么样五花八门的任务，只要输入和输出是sequence，就都可以拿来用Seq2Seq硬做，并且效果居然也不错。当然啦，针对不同的任务客制化model会比Seq2Seq效果更好，但足以看出Seq2Seq的应用之广泛。
模型结构
简单来说，Transformer就是经典的Encoder-Decoder结构：输入序列进入编码器，编码器的输出再进入解码器，最终输出一个序列。
下面来分别讲一讲Encoder和Decoder具体在做些什么。
Encoder
下面这张图的左边是不是和上一讲的Self-attention很像？每个输入向量都会经过Encoder输出一个向量，当然，RNN和CNN也可以办得到这一点！
把Encoder放大，右边就是Transformer编码器的结构啦。可以看出，它的主体其实就是Self-attention，中间灰色的框框被视为一个block，输入向量要经过N个这样的block。
可是，右边的图花花绿绿看起来好复杂！
我们来看下面这张图：输入向量经过一个block，得到的输出再作为下一个block的输入...最终得到输出向量。
每个block做的事情也很简单：经过self-attention得到的各个向量分别喂给一个全连接层得到输出。
简单复习一下，self-attention做的事情就是整合序列信息，每个向量经过投影后得到query、key、value，计算每个query和所有key的相似度 (attention score) 作为各个value的权值，而加权和就是最后的输出。
但是，Transformer编码器做的事情要稍微复杂一点点，每个向量经过self-attention得到的输出，还要加上原始的输入（这就是ResNet里的残差连接）！如果b是输入向量，对应self-attention的输出向量为a，那么b + a才是我们需要的。
这之后，还要再经过一个Norm层。注意，这里不是常见的Batch Normalization，而是Layer Normalization。BN是对整个batch的样本在特征维上做normalization，而LN是每个样本自己做normalization，不需要考虑整个batch。这是合理的，每个序列长度都不统一，自己做normalization效果自然会更好。
经过LN之后的输出，才是要进入全连接层的输入。同样，这边也要用到残差连接和LN：FC的输出加上FC的输入，经过LN后得到这一个block的最终输出。
听起来很像绕口令对不对？但是仔细看懂上面的图片在做什么之后，再回过来看Transformer的Encoder会豁然开朗。
输入向量经过embedding层，加上位置编码（同样在self-attention里提到过），进入第一个block：先做multi-head attention，输出+输入做Layer norm，经过全连接层后再做一次残差连接和LN，得到block的输出。这样的block会重复N次。
block一定要这么设计吗？当然不一定。在Transformer之后，有不少论文做了相关的研究，比如下面这个就把Layer Norm放在了attention前面，效果更好了。
Decoder
讲完编码器，我们来看解码器。解码器有两种，AT和NAT。
- Autoregressive (AT)
解码器通过某种方法把Encoder的输出读进来（后面会细说），输入一个特殊的START向量来作为序列的开始。
假设要处理翻译任务，这个输出向量的维数就和字典的长度一样，每个字都会对应一个数值，分数最高的那一个字就是最后的输出。
拿到第一个输出之后，把它作为下一个输入进入Decoder，重复前面的步骤，依次得到新的输出和新的输入...这样的过程就叫做自回归 (Autoregressive) 。
但是，难道就这么无休止的输出下去吗？
当然不了！有始 (START) 有终 (END) ，在字典里我们也要加入一个特殊的END，标志着输出序列的结束。
现在，我们来看看Decoder具体在做些什么。
诶，怎么这么眼熟？没错，它和Encoder长得很像！把中间那一块挡住，Decoder和Encoder的block简直一模一样嘛！
但是，这边为什么是Masked Attention呢？
和前面的Encoder不一样，Decoder是一个一个输出的，在产生当前输出的时候，只考虑它左边的那些输入，而不是一下子看到整个输入序列。
- Non-autoregressive (NAT)
和自回归解码器不同，NAT解码器一次性产生所有输出——因此，也是一次性输入BEGIN！
可是，我们并不知道输出序列有多长啊？NAT是怎么办到的呢？
有两个方法：
- 再加一个predictor，把编码器的输出作为输入，预测序列的长度
- 输入一个很长的STRAT序列，输出只取END之前的部分
Encoder - Decoder
前面挖的坑还没填，Decoder和Encoder是怎么联动的呢？
这里就要引入一个叫”cross-attention“的东西啦。不要被名字吓到，就那么回事儿——只不过key和value来自Encoder的最后一层输出，query来自Decoder经过Masked Attention的输出。当然，输出都要先做投影再做attention。
现在看看Transformer整体架构，是不是就懂啦~
Training
我们观察一下Decoder的输入，其实这不就是Decoder的输出嘛！
所以在训练的时候，我们可以把Ground Truth（真实值）拿来做输入，再拿输出和GT算交叉熵，希望所有交叉熵的总和越小越好。
可是在做inference的时候，Decoder看不到正确答案啊！显然和训练的情况存在一个mismatch。
如果Decoder在训练的时候只看过正确的东西，那么inference时可能会出现“一步错，步步错”的情况。所以，在训练的时候，我们不能只给Decoder看正确的答案，也要输入一些错误的东西给它看。这一招叫Schedule Sampling。
比如，GT是“机器学习”，可我们会故意输入“机气学习”，这样如果Decoder犯错输出了“机气”，后面也不至于跟着全部错下去。是不是很有意思？人生也是这样，需要引入一些“随机性”，不断地踩坑、走弯路，看过更多不一样的风景，好坏都参透，后面的路才能走得更稳。
到这里，Transformer就全部讲完啦！
欢迎大家评论区留言讨论！
