Transformer详解

前言

在17年，自然语言处理领域还在被RNN统治，当时的seq2seq任务还是用带encoder-decoder结构的RNN。然而RNN天然具有一个缺点：计算效率低。

随后的transformer也是encoder-decoder结构，但是其中信息关联采用了attention机制，而不是RNN的循环机制。

transformer一经提出，就横扫了以往的各种RNN变体，随后，人工智能社区陷入了万物transformer的时代，甚至引领了cv领域一段时间。

随后因为transformer（实际上是其中的attention）计算效率高，能极大缩短训练时间，大公司开始搜集更多的数据，用更多的算力，去训练更大的transformer，结果不经意间开启了大模型时代。目前的LLM几乎都是transformer的变体，通过学习transformer来入门大模型是很自然的。

这篇笔记从以下几个方面详细介绍transformer：

什么是seq2seq？
什么是attention，attention到底比RNN好在哪？
把transformer看成黑盒，训练任务是什么？
transformer模型结构：
- word embedding && positional embedding
- self-attention && multi-head attention && cross attention
- layer normalization
- FFN|MLP
论文中的一些笔记

背景

什么是seq2seq？

在现实世界，有一种场景，输入一个长度为\(l_i\)的序列，输出一个长度\(l_j\)的序列。

在NLP中，一段话按照单词为单位转换成一个序列。

例如，翻译任务：”机/器/学/习“ -> ”machine/learning“，长度为4的序列被翻译成了长度为2的序列；或者对话，”太/阳/从/哪/边/升/起“->”东/边“，输入长度为7的序列，输出长度2的序列。

这类任务就被称为seq2seq任务，这类模型也可以称为seq2seq模型。

为什么要划分出这类任务，自然是因为传统的模型不能处理不等长度的序列。简单说明一下，典型的神经网络如下图，这里把每个单词变成一个数值\(x_i\)，要训练的参数是输入结点和中间结点之间的权重\(w_{ij}\)。如果输入结点增加，就会多出来一些未知参数。

一文弄懂神经网络中的反向传播法——BackPropagation - 知乎

为了解决这个问题，不把单词看成数值，而是变成固定长度\(d\)的向量\(\bold{x}_i\)。这样就可以把一段\(l\)个单词的句子看成\(X=[\bold{x}_1,...,\bold{x}_{l}]^T \in R^{l\times d}\)，然后全连接层的权重就是\(W^{d\times d}\)，这样全连接层就是每个单词（一个向量）依次进行线性变换。

我们知道序列之间存在着相互关系，例如一个单词的含义在不同的句子中可能也会不同。上面的简单的全连接中，单词之间是完全独立的，不会进行信息交换，所以也就不会捕获序列中单词之间的关系。

怎么捕获单词之间的关系——RNN

循环神经网络（Recurrent Neural Networks, RNN）提供了一种方法。如下图所示。

每个单词（向量）在处理时，还要接受上一个单词处理后的中间结果。这样每个单词都能获得前面所有单词的信息。然后为了能处理变长序列，上面每层模块共享参数，或者说就是同一个模块。有关RNN的讲解，我是看的完全解析RNN, Seq2Seq, Attention注意力机制 - 知乎 (zhihu.com)。

上面的模型只是能处理变长的序列，但是并不能处理seq2seq任务，因为上面的模型明显只能输出等长的序列。想要做seq2seq，需要调整成下面的结构。

举个例子：”机/器/学/习“->”machine“，在预测”machine“的时候，参考了”机/器/学/习“的信息，随后预测”learning“，模型接下来还会预测，预测到”“符号，表示预测终止。

RNN的缺点

基于RNN的encoder-decoder模型（简称RNN）虽然可以处理seq2seq任务，但是有很多缺点：

RNN基于时序，并行性差。也就是要一个个去处理单词。
容易丢失远距离的信息。单词信息在链上会逐渐衰减。

当时有工作采用了CNN的方式来解决”丢失远距离信息“的问题，但是在长序列上，CNN需要增加卷积层才能看到整个序列。

Transformer

Attention

参考大佬的文章动图轻松理解Self-Attention(自注意力机制) - 知乎 (zhihu.com)。

我这里描述一下过程：

现在有一个序列\(X=[\bold{x}_1,...,\bold{x}_{l}]^T \in R^{l\times d}\)，这些token（就是单词对应的向量）经过三个线性变换映射成三个序列：\(Q=XW_q,K=XW_k,V=xW_v\)，其中\(W_q,W_k,W_v\in R^{d\times d}\)，因此\(Q,K,V\in R^{l\times d}\)。

然后计算\(Softmax(\frac{QK^T}{\sqrt{d}})\)得到一个得分矩阵\(S\in R^{l\times l}\)。得分矩阵中的元素\(s_{ij}\)表示\(q_i\)和\(k_j\)之间的相似度，这个相似度是用\(q_ik_j^T\)计算得到的。这个值越高，就表明\(x_i\)与\(x_j\)的关系较紧密，那么当我们处理\(x_i\)时，就要多考虑\(x_j\)。怎么多考虑，就是把这个得分当作是权重，也就是\(S·V\in R^{l\times d}\)。这个结果\(V_{out}\)还要再经过一个全连接层，也就是\(V_{out}W_o+b_o\)

上面线性代数的部分，如果基础不牢很容易看不懂，我当时就没看懂。可以参考我下面一篇文章，会详细进行计算。

attention的计算可以并行。因此极大提高了计算效率。总的来说，在并行时间内，只做了四个矩阵计算。

模型结构

Input Embedding

上图中的Inputs是原始句子分词后的one-hot编码序列，设为\(X=[x_1,...,x_l]^{T}\)，其中\(x_i\)是one-hot编码，例如有一个大小为\(V\)的词表，\(x_i\)对应的单词在词表中的序号为\(j\)，那么\(x_i[j]=1\)，其余为0。因此\(X\in R^{l\times V}\)

而Input Embedding可以看作是一个不带偏差的线性层，即\(W_E \in R^{V\times d}\)，其中\(d\)表示映射后的向量维度。映射过程可以看成\(T=XW_E,T\in R^{l\times d}\)。

因为\(X\)中每一行都是一个单词对应的one-hot编码（向量），这个向量乘\(W_E\)的时候，其实就是按对应位置选择\(W_E\)的某一行向量。

所以也可以把\(W_E\)看成一个向量的查询表，那么\(X\)中的元素也不必是one-hot编码，也可以是一个数字，这个数字就是单词在词表中的序号。这样\(x_i=j\)，那么映射过程就变成了T=W_E[X]。

总之，我们得到了\(T_E=[t_1,...,t_l]^T\in R^{l\times d}\)。

Input Embedding层可以是训练的，也可以是固定的。如果是可训练的，该层就是一个无偏差的线性层，transformer使用的是这种。

Positional Embedding

序列中天然具有时序信息，在前一步的input embedding中，每个单词之间的处理都是独立的，此时还没有包含时序信息。并且attention也不像rnn结构天然具有能处理时序。因而在上一步得到的\(T_E\)中每个位置还要加上一个能够表示当前位置的信息（一个数值），这就是positional embedding。

位置信息有两种，绝对位置信息和相对位置信息。

transformer使用的是绝对位置信息，就是说固定位置的信息是固定的，例如位置3的位置信息永远是0.1（举个例子）。

transformer使用的是Sinusoidal编码。整个过程是，先将文本分词然后embedding，然后计算positional矩阵，将embedding加上这个矩阵，然后进入attention。编码矩阵计算如下：

\(p_k=\begin{cases} p_{k,2i}=\sin(k/10000^{2i/d}) \\ p_{k,2i+1}=\cos(k/10000^{2i/d}) \end{cases}\)

于是得到位置编码\(P=[p_1,...,p_l]^T\in R^{l\times d}\)，然后\(T=T_E+P\)。

Multi-Head Attention

CNN具有多通道的优点，每个通道识别不同的pattern，论文提出了multi-head attention，可以模拟CNN的多通道。

从文字描述来看，过程是这样：

有多个QKV转换矩阵，假设有两个head，那么\(W_q\)矩阵就有两个，分别是\(W_{q1},W_{q2}\in R^{d\times d/2}\)，于是得到两个query：\(Q_1,Q_2\in R^{l\times d/2}\)。KV同理。
现在每个头都有单独的QKV，例如头1有\(Q_1,K_1,V_1\)。
然后在head内做attention：\(V_{out1}=Softmax(\frac{Q_1K_1^T}{\sqrt{d}})·V_1\in R^{l\times d/2}\)，同理\(V_{out2}\in R^{l\times d/2}\)。
将两个输出拼接，\(V_{out}=concat(V_{out1},V_{out2})\in R^{l\times d}\)，然后经过一个输出层\(T_{out}=V_{out}W_o\in R^{l\times d}\)

实际上可以转换成：

有一个\(W_q\in R^{d\times d},Q=TW_q\)。KV同理。
现在把\(Q\)划分为多个head，设置head数为h，这样维度从\([l,d]\)变换为\([l,h,d/h]\)。为了后续在每个头内执行attention，还要变换到\([h,l,d/h]\)。KV同理。
然后\(V_{out}=Softmax(\frac{QK^T}{\sqrt{d}})·V\)，维度为\([h,l,d/h]\)。
最后再将\([h,l,d/h]\)变换为\([l,d]\)，然后经过输出层。

Add&Norm

假设输入attention的是\(T_0\)，输出的是\(T_{out}=Attention(T_0)\)，那么Add表示\(T_1=T_0+T_{out}\)。这是为了不丢失原始信息。

Norm指Layer Normalization。

Batch Norm是在一个批量中的所有样本的特征的一个维度上做Norm。在NLP中，是对每个句子的第一个（第二个、三个...）词的切片，一个矩阵，然后对这个矩阵的特征进行缩放。例如一个batch中的每个句子的第一个token的第一个维度。

Layer Norm是在一个样本中的所有特征之间做Norm。在NLP中，是对每个句子进行切片。是对一个句子的一个token内进行缩放。

如果要对\(T=[t_1,...,t_l]^T\)做layer normalization，每个元素独立处理。

例如\(t_1=[t_{11},...,t_{1d}]^{T}\)，那么正则化就是\(\hat{t}_{1i}=\frac{t_{1i}-\mu}{\sqrt{\sigma^2+\epsilon}}\)。

FeedForward

一个带隐层的神经网络，一共两个线性层，隐层的维数为\(4d\)，激活函数为ReLU。公式为：\(FFN(T)=\max(0,TW_1+b_1)W_2+b_2\)。

其中\(W_1\in R^{d\times 4d},W_2\in R^{4d\times d}\)。

Cross Attention

decoder中的第二个attention层就是cross attention。在self-attention中，QKV都是由X线性变换得到的，而cross attention中，Q是由X线性变换得到，而KV则是由Y线性变换得到的。

Embeddings && Output Linear

transformer中有两个embedding层，encoder和decoder各一个，这两层共享参数。并且模型最后输出的结果还要经过一个输出层，该层的目的是为了将d维的向量映射成V维的向量，该向量经过softmax后可以看成一个概率分布，表示预测单词的各概率。

Masked Attention

不管是RNN还是transformer，在做seq2seq任务时都是采用逐个词预测的方式，直到预测到终止符。

在训练时，为了提高计算效率，采用了并行预测的方式。举个例子：”机/器/学/习“->”machine/learning“的训练过程分为三步，这三步同时进行：

”机/器/学/习“->”machine“
”机/器/学/习/machine“->”learning“
”机/器/学/习/machine/learning“->”“

怎么实现这个并行过程，就是用到了mask机制。

在attention中会计算\(QK^T\)，mask是一个01矩阵，维度是\([l,l]\)。然后将\(QK^T\)和mask两个矩阵做计算，这个计算是：如果mask一个位置的元素是1，那么就将\(QK^T\)中对应位置的元素替换为无限小，如果是0就不变。

替换完后会进行softmax，这样被替换为无限小的部分softmax就会变成0。

Mask影响了什么

彻底理解mask才能彻底理解decoder的细节。

添加了mask后，decoder输入" / machine / learning"，它们对应的输出对应于”machine / learning / “。其中bos是begin of seqence，eos是end of seqence。

在decoder中，每个位置输入对应的输出是下一个单词的预测。decoder中每个单词只能看到前面的信息。

在计算损失的时候，是将每个位置的输出（softmax后的一个概率分布），也就是多个概率分布拼接起来，然后和多个one-hot编码的拼接做cross entropy。

其他

在Attention中的\(\frac{QK^T}{\sqrt{d}}\)中，除以\(\sqrt{d}\)的目的是为了让softmax更平滑。softmax的一方面可以将一个向量变成一个概率分布。另一方面会将小的数字概率变得更小，大的数字概率变得更大，在\(QK_T\)中，计算结果会因为d的增加而增加，为了减小维度d的影响，所以要除以\(\sqrt{d}\)。
暂时还想不到。