[NLP]Transformer模型解析

简介[2]

Attention Is All You Need是2017年google提出来的一篇论文，论文里提出了一个新的模型，叫Transformer，这个结构广泛应用于NLP各大领域，是目前比较流行的模型。该模型没有选择大热的RNN/LSTM/GRU的结构，而是只使用attention layer和全连接层就达到了较好的效果，同时解决了RNN/LSTM/GRU中的long dependency problem,以及传统RNN训练并行度以及计算复杂度高的问题。缺点是输入固定长度的序列，需要对原始文本进行裁剪和填充，导致不能学习到序列中更长距离的依赖关系。

Transformer总体结构[1]

Transformer采用Encoder-Decoder架构。

 

上图就是论文中提出的Transformer结构。其中左半部分是encoder右半部分是decoder.

 

Encoder层中有6个一模一样的层结构，每个层结构包含了两个子层，第一个子层是多头注意力层（Multi-Head Attention,橙色部分），第二个子层是前馈连接层（Feed Forward，浅蓝色部分）。除此之外，还有一个残差连接，直接将input embedding传给第一个Add & Norm层（黄色部分）以及 第一个Add & Norm层传给第二个Add & Norm层（即图中的粉色-黄色1，黄色1-黄色2部分运用了残差连接）。该层的重点-注意力层会在下文中进行解释。

 

Decoder层中也有6个一模一样的层结构，但是比Endoer层稍微复杂一点，它有三个子层结构，第一个子层结构是遮掩多头注意力层（Masked Multi-Head Attention，橙色部分），第二个子层是多头注意力结构(Multi-Head Attenion，橙色部分)，第三个子层是前馈连接层（Feed Forward,浅蓝色部分）。

注1：这一部分的残差连接是粉色-黄色1，黄色1-黄色2，黄色2-黄色3三个部分

注2：该层的重点是第二个子层，即多头注意力层，它的输入包括两个部分，第一个部分是第一个子层的输出，第二个部分是Encoder层的输出（这是与encoder层的区别之一），这样则将encoder层和decoder层串联起来，以进行词与词之间的信息交换，这里信息交换是通过共享权重W_Q,W_V,W_K得到的。

注3：第一个子层中的mask,它的作用就是防止在训练的时候使用未来的输出的单词。比如训练时，第一个单词是不能参考第二个单词的生成结果的，此时就会将第二个单词及其之后的单词都mask掉。总体来讲，mask的作用就是用来保证预测位置i的信息只能基于比i小的输出。因此，encoder层可以并行计算，一次全部encoding出来，但是decoder层却一定要像rnn一样一个一个解出来，因为要用上一个位置的输入当做attention的query.

注4：残差结构是为了解决梯度消失问题，可以增加模型的复杂性。残差结构：x+F(x)，这样会进一步扩大方差，因此需要增加一个norm层来缩小方差。

注5：LayerNorm层是为了对attention层的输出进行分布归一化，转换成均值为0方差为1的正态分布。cv中经常会用的是batchNorm，是对一个batchsize中的样本进行一次归一化，而layernorm则是对一层进行一次归一化，二者的作用是一样的，只是针对的维度不同，一般来说输入维度是(batch_size,seq_len,embedding)，batchnorm针对的是batch_size层进行处理，而layernorm则是对seq_len进行处理（即batchnorm是对一批样本中进行归一化，而layernorm是对每一个样本进行一次归一化）。 

注6：使用ln而不是bn的原因是因为输入序列的长度问题，每一个序列的长度不同，虽然会经过padding处理，但是padding的0值其实是无用信息，实际上有用的信息还是序列信息，而不同序列的长度不同，所以这里不能使用bn一概而论。

注7：FFN是两层全连接：w * [delta(w * x + b)] + b，其中的delta是relu激活函数。这里使用FFN层的原因是：为了使用非线性函数来拟合数据。如果说只是为了非线性拟合的话，其实只用到第一层就可以了，但是这里为什么要用两层全连接呢，是因为第一层的全连接层计算后，其维度是(batch_size,seq_len,dff)（其中dff是超参数的一种，设置为2048），而使用第二层全连接层是为了进行维度变换，将dff转换为初始的d_model(512)维。

注8：decoder层中中间的多头自注意力机制的输入是两个参数——encoder层的输出和decoder层中第一层masked多头自注意力机制的输出，作用在本层时是：q=decoder的输出，k=v=encoder的输出。

注9：encoder的输入包含两个，是一个序列的token embedding + positional embedding，用正余弦函数对序列中的位置进行计算（偶数位置用正弦，奇数位置用余弦）

 

Self-Attention[2]

self-Attention是Transformer用来找到并重点关注与当前单词相关的词语的一种方法。如下述例子：

The animal didn’t cross the street because it was too tired.

这里的it究竟是指animal还是street，对于算法来说是不容易判断的，但是self-attention是能够把it和animal联系起来的，达到消歧的目的。

这里描述self-attention的具体过程如下图所示： 

 从上图可以看出，attention机制中主要涉及三个向量Q(Query),K(Key),V(Value)，这三个向量的计算过程如下图所示：

 

上图中，W_Q,W_V,W_K是三个随机初始化的矩阵，每个特征词的向量计算公式如下所示：

Queries:              q₁ = x₁ · W_Q                                                    q₂ = x₂ · W_Q

Keys:                  k₁ = x₁ · W_K 　　　　　　　　　　　　　　　　  k₂ = x₂ · W_K

Values:                v₁ = x₁ · W_V               　　　　　　　　　　　　 v₂ = x₂ · W_V

      Score:                 s₁ = q₁ · k₁=112                                               s₂ = q₂ · k₂ = 96

   Divide by 8:         d₁ = s₁ / 8 = 14 　　　　　　　　　　　　　　　 d₂ = s₂ / 8 = 12

                     Softmax:             sm₁ = e¹⁴/ (e¹⁴ + e¹²) = 0.88 　　　　　　　　   sm₂ = e¹² / (e¹⁴ + e¹²) = 0.12

 

Softmax * value:   v₁ = sm₁ * v₁ 　　　　　　　　　　　　　　　　 v₂ = sm₂ * v₂

 

注1：score表示关注单词的相关程度.

注2：这种通过 query 和 key 的相似性程度来确定 value 的权重分布的方法被称为scaled dot-product attention。

注3：attention与self-attention的区别[5]：self-attention是一般attention的特殊情况，在self-attention中，Q=K=V每个序列中的单元和该序列中所有单元进行attention计算。Google提出的多头attention通过计算多次来捕获不同子控件上的相关信息。self-attention的特点在于无视词之间的距离直接计算依赖关系，能够学习一个句子的内部结构，实现也较为简单并且可以并行计算。从一些论文中看到，self-attention可以当成一个层和RNN,CNN,FNN等配合使用，成功应用于其他NLP任务。

注4：attention中除以根号d_k具备缩放的原因是因为原始表征x1是符合均值为0方差为1的正态分布的，而q*k后方差变为d，所以为了使结果符合均值为0方差为1的数据分布，这里需要除以根号d，这样数据分布并未改变，q*k经过softmax层后不会变成one hot而出现梯度消失的情况。（e^d可能非常大而e^(-d)非常小，这样经过softmax层后，attention层的分布会非常接近one hot分布，这样会带来严重的梯度消失问题，导致训练效果非常差。）

注意力机制的优点：

①一步到位获取全局与局部的关系，不会像RNN那样对长期依赖的捕捉会受到序列长度的限制。

②每步的结果不依赖于上一步，可以做成并行的模式

③相比CNN与RNN，参数少，模型复杂度低。

注意力机制的缺点：

①没法捕捉位置信息，即没法学习序列中的顺序关系。这点可以通过加入位置信息，如通过位置向量来改善，具体如bert模型。

 

 

Multi-Headed Attention

多头注意力机制是指有多组Q,K,V矩阵，一组Q,K,V矩阵代表一次注意力机制的运算，transformer使用了8组，所以最终得到了8个矩阵，将这8个矩阵拼接起来后再乘以一个参数矩阵W^O,即可得出最终的多注意力层的输出。全部过程如下图所示： 

 

左图表示使用多组Q,K,V矩阵，右图表示8组Q,K,V矩阵计算会得出8个矩阵，最终我们还需将8个矩阵经过计算后输出为1个矩阵，才能作为最终多注意力层的输出。如下图所示，其中W^O是随机初始化的参数矩阵。 

Positional Encoding

在图figure 1中，还有一个向量positional encoding，它是为了解释输入序列中单词顺序而存在的，维度和embedding的维度一致。这个向量决定了当前词的位置，或者说是在一个句子中不同的词之间的距离。论文中的计算方法如下： 

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

PE(pos,2 * i + 1) = cos(pos / 10000^2i/d_model)

其中pos指当前词在句子中的位置，i是指向量中每个值的index,从公式中可以看出，句子中偶数位置的词用正弦编码，奇数位置的词用余弦编码。最后把positional encoding的值与embedding的值相加作为输入传进transformer结构中，如下图所示： 

 

Layer normalization

在transformer中，每一个子层（自注意力层，全连接层）后都会有一个Layer  normalization层，如下图所示：

 

Normalize层的目的就是对输入数据进行归一化，将其转化成均值为0方差为1的数据。LN是在每一个样本上都计算均值和方差，如下图所示： 

  

LN的公式如下： 

 LN(x_i) = α * (x_i - μ_L / √(σ²_L + ε)) + β

以上是encoder层的全部内容，最后再展示一下将两个encoder叠加在一起的内部图：

 其他细节

1、Transformer中包含两种mask：padding mask 在所有的scaled dot-product attention 里面都需要用到，而sequence mask 只有在decoder的self-attention里面用到。

 

Padding Mask是为了解决填充0的无意义的位置而存在的，具体的说，因为要对输入序列进行对齐，当输入序列较短时，需要在输入序列后填充0，但是这些填充的数据没什么意义，attention机制不应该把注意力放在这些位置上，因此我们需要做一些统一的处理。具体的做法是把这些位置的值加上一个非常大的负数，这样经过softmax处理的话，这些位置的值就会接近0。

 

参考资料：

[1] https://www.jianshu.com/p/ef41302edeef?utm_source=oschina-app

[2] https://blog.csdn.net/u012526436/article/details/86295971

[3] https://zhuanlan.zhihu.com/p/47282410

[4] https://zhuanlan.zhihu.com/p/44121378

[5]https://www.cnblogs.com/robert-dlut/p/8638283.html

[6]https://zhuanlan.zhihu.com/p/57672079

[7] https://kexue.fm/archives/8620