Transformer学习
Transformer学习
此帖用于整理回顾自己学transformer的一些问题和知识
极好的博客和资料：
Transformer 模型详解-CSDN博客：原理讲的很清楚
举个例子讲下transformer的输入输出细节及其他 - 知乎 (zhihu.com)：讲的是输入输出的细节
Transformer论文逐段精读【论文精读】B站：李沐dalao懂的都懂
一些问题
- 是不是编码器和解码器中堆叠层的数量一样？
- 从源码和论文的图上看是这样的，都是N=6
- 全局注意力是怎么来的，一次embedding是一个句子还是一篇文章
- 还没解决
一些注意点
-
多头自注意力块（Multi-Head Attention）的输入qkv都是相同的。但是在实际运算时，qkv都要先通过一个全连接层 给每个单头自注意力块生成qkv，过了全连接层之后，每个单头自注意力块中的qkv就不一样了。
-
与CNN的一个对比：一个CNN块假设是看3*3的像素，它是没有办法看全貌信息的，但是transformer可以一次性把整个序列的内容都看到。 但是CNN有一个好处就是它可以是多通道输出的，可以认为一个输出通道对应了一种输出模式、一种特定的特征。Transformer为了有这个效果引入了多头注意力机制。当然还一个原因是单头注意力确实没有什么可以学的参数
-
layerNorm是对某个样本全部特征做norm，BatchNorm是对某个特征做norm
-
mask分两个，一个是解码器中的Sequence Mask，这是为了让训练时过程与使用时一致。另一个是Padding Mask，因为训练时不会每个句子长度都一样，因此需要将较短的句子的长度补到最长句子的长度，而凑长度而补的这些信息自然是不应该参与最后的自注意力计算的，因此要使用mask忽视掉它们。值得注意的Mask是在 \(Q*K^T\)算完之后进行。
-
思考：为什么采用论文中的公式为位置编码？
我的理解：在公式的定义下，时间步p和时间步p+k的位置编码的内积，即 是与p无关，只与k有关的定值。也就是说，任意两个相距k个时间步的位置编码向量的内积都是相同的，这就相当于蕴含了两个时间步之间相对位置关系的信息。此外，每个时间步的位置编码又是唯一的，这两个很好的性质使得上面的公式作为位置编码是有理论保障的。
注意力机制
Attention机制含义是：加权和。重要的赋予较高的权重，不重要的权重低，根据权重对Value进行加权和就是Attention。
有很多种attention机制，本文中作者所选用的是：scaled Dot-Product Attention（缩放的点积自注意力机制，说是scaled是因为除了一个\(\sqrt{d_k}\)）。点乘自注意力机制算是最简单的自注意力计算了，这个实现起来比较简单作者选用了这一个。
通过对于某一个q，要计算这个q和其他所有的k之间的关系，得到每个k与这个q之间的关系紧密程度，也就是得到一个权重，这个权重决定了计算这个q的最终结果时每个v的权重。
源代码参考
比较好的源码实现：The Annotated Transformer (harvard.edu)（这个是哈佛一个团队实现的，逻辑很清晰）
非常好的源码讲解：Transformer代码完全解读！ - 知乎（对应的也是上面的源码）
