【关于Transformer】 那些的你不知道的事（中）
共 6107字，需浏览 13分钟
·
2021-01-30 23:09
作者：杨夕
项目地址：https://github.com/km1994/nlp_paper_study
论文链接：https://arxiv.org/pdf/1706.03762.pdf
【注：手机阅读可能图片打不开！！！】
个人介绍：大佬们好，我叫杨夕，该项目主要是本人在研读顶会论文和复现经典论文过程中，所见、所思、所想、所闻，可能存在一些理解错误，希望大佬们多多指正。
## 引言
本博客 主要 是本人在学习 Transformer 时的**所遇、所思、所解**，通过以 **十六连弹** 的方式帮助大家更好的理解 该问题。
## 十六连弹
1. 为什么要有 Transformer?
2. Transformer 作用是什么？
3. Transformer 整体结构怎么样？
4. Transformer-encoder 结构怎么样？
5. Transformer-decoder 结构怎么样?
6. 传统 attention 是什么?
7. self-attention 长怎么样?
8. self-attention 如何解决长距离依赖问题？
9. self-attention 如何并行化？
10. multi-head attention 怎么解?
11. 为什么要 加入 position embedding ？
12. 为什么要 加入 残差模块？
13. Layer normalization。Normalization 是什么?
14. 什么是 Mask？
15. Transformer 存在问题？
16. Transformer 怎么 Coding?
## 问题解答
### 六、传统 attention 是什么?
- 注意力机制是什么呢？
- 就是将精力集中于某一个点上
- 举个例子：
- 你在超市买东西，突然一个美女从你身边走过，这个时候你会做什么呢？
- 没错，就是将视线【也就是注意力】集中于这个美女身上，而周围环境怎么样，你都不关注。
- 思路
- 输入 给定 Target 中某个 query；
- 计算权值 Score：
- 计算 query 和 各个 Key 的相似度或相关性，得到每个 Key 对应 value 的权值系数；
- 对 权值 Score 和 value 进行加权求和
- 核心：
- Attention 机制 是对 source 中各个元素 的 value 进行加权求和，而 query 和 key 用于计算 对应 value 的权值系数
> $L_x=||Source||$代表Source的长度
- 概念：
- attention 的核心 就是从 大量信息中 筛选出少量的 重要信息；
- 具体操作：每个 value 的 权值系数，代表 其 重要度；
- 具体流程介绍
- step 1：计算权值系数
- 采用 不同的函数或计算方式，对 query 和 key 进行计算，求出相似度或相关性
- 采用的计算方法：
- 向量点积：
- Cosine 相似度计算：
- MLP 网络：
- step 2: softmax 归一化
- 原因：
1. score 值分布过散，将原始计算分值整理成所有元素权重之和为1 的概率分布；
2. 可以通过SoftMax的内在机制更加突出重要元素的权重；
- 公式介绍
- step 3: 加权求和
- 公式介绍：
- 计算结果 $a_i$ 即为 $value_i$ 对应的权重系数，然后进行加权求和即可得到Attention数值
- 存在问题
- 忽略了 源端或目标端 词与词间 的依赖关系【以上面栗子为例，就是把注意力集中于美女身上，而没看自己周围环境，结果可能就扑街了！】
### 七、self-attention 长怎么样?
- 动机
- CNN 所存在的长距离依赖问题；
- RNN 所存在的无法并行化问题【虽然能够在一定长度上缓解 长距离依赖问题】；
- 传统 Attention
- 方法：基于源端和目标端的隐向量计算Attention，
- 结果：源端每个词与目标端每个词间的依赖关系 【源端->目标端】
- 问题：忽略了 远端或目标端 词与词间 的依赖关系
- 核心思想：self-attention的结构在计算每个token时，总是会考虑整个序列其他token的表达；
- 举例：“我爱中国”这个序列，在计算"我"这个词的时候，不但会考虑词本身的embedding，也同时会考虑其他词对这个词的影响
- 目的：学习句子内部的词依赖关系，捕获句子的内部结构。
- 步骤
- embedding层：
- 目的：将词转化成embedding向量；
- Q，K，V 向量计算：
- 根据 embedding 和权重矩阵，得到Q，K，V；
- Q：查询向量，目标字作为 Query；
- K：键向量，其上下文的各个字作为 Key；
- V：值向量，上下文各个字的 Value；
- 权重 score 计算：
- 查询向量 query 点乘 key;
- 目的：计算其他词对这个词的重要性，也就是权值；
- scale 操作：
- 乘以 
；
- 目的：起到调节作用，使得内积不至于太大。实际上是Q，K，V的最后一个维度，当 $d_k$ 越大， 
就越大，可能会将 Softmax 函数推入梯度极小的区域；
- Softmax 归一化：
- 经过 Softmax 归一化；
- Attention 的输出计算：
- 权值 score 和各个上下文字的 V 向量 的加权求和
- 目的：把上下文各个字的 V 融入目标字的原始 V 中
- 举例
- 答案就是文章中的Q，K，V，这三个向量都可以表示"我"这个词，但每个向量的作用并不一样，Q 代表 query，当计算"我"这个词时，它就能代表"我"去和其他词的 K 进行点乘计算其他词对这个词的重要性，所以此时其他词(包括自己)使用 K 也就是 key 代表自己，当计算完点乘后，我们只是得到了每个词对“我”这个词的权重，需要再乘以一个其他词(包括自己)的向量，也就是V(value)，才完成"我"这个词的计算，同时也是完成了用其他词来表征"我"的一个过程
- 优点
- 捕获源端和目标端词与词间的依赖关系
- 捕获源端或目标端自身词与词间的依赖关系
### 八、self-attention 如何解决长距离依赖问题？
- 引言：
- 在上一个问题中，我们提到 CNN 和 RNN 在处理长序列时，都存在 长距离依赖问题，那么你是否会有这样 几个问题：
- 长距离依赖问题 是什么呢？
- 为什么 CNN 和 RNN 无法解决长距离依赖问题？
- 之前提出过哪些解决方法？
- self-attention 是如何 解决 长距离依赖问题的呢?
下面，我们将会围绕着几个问题，进行一一解答。
- 长距离依赖问题 是什么呢？
- 介绍：对于序列问题，第 t 时刻 的 输出 $y_t$ 依赖于 t 之前的输入，也就是 说 依赖于 
，当间隔 k 逐渐增大时，$x_{t-k}$ 的信息将难以被 $y_t$ 所学习到，也就是说，很难建立 这种 长距离依赖关系，这个也就是 长距离依赖问题（Long-Term Dependencies Problem）。
- 为什么 CNN 和 RNN 无法解决长距离依赖问题？
- CNN:
- 捕获信息的方式：
- CNN 主要采用 卷积核 的 方式捕获 句子内的局部信息，你可以把他理解为 **基于 n-gram 的局部编码方式**捕获局部信息
- 问题：
- 因为是 n-gram 的局部编码方式，那么当 $k$ 距离 大于 $n$ 时，那么 $y_t$ 将难以学习 $x_{t-k}$ 信息；
- 举例：
- 其实 n-gram 类似于 人的 视觉范围，人的视觉范围 在每一时刻 只能 捕获 一定 范围内 的信息，比如，你在看前面的时候，你是不可能注意到背后发生了什么，除非你转过身往后看。
- RNN:
- 捕获信息的方式：
- RNN 主要 通过 循环 的方式学习(记忆) 之前的信息$x_{t}$；
- 问题：
- 但是随着时间 $t$ 的推移，你会出现**梯度消失或梯度爆炸**问题，这种问题使你只能建立短距离依赖信息。
- 举例：
- RNN 的学习模式好比于 人类 的记忆力，人类可能会对 短距离内发生的 事情特别清楚，但是随着时间的推移，人类开始 会对 好久之前所发生的事情变得印象模糊，比如，你对小时候发生的事情，印象模糊一样。
- 解决方法：
- 针对该问题，后期也提出了很多 RNN 变体，比如 LSTM、 GRU，这些变体 通过引入 门控的机制 来 有选择性 的记忆 一些 重要的信息，但是这种方法 也只能在 一定程度上缓解 长距离依赖问题，但是并不能 从根本上解决问题。
- 之前提出过哪些解决方法？
- 引言：
- 那么 之前 主要采用 什么方法 解决问题呢?
- 解决方法：
- 增加网络的层数
- 通过一个深层网络来获取远距离的信息交互
- 使用全连接网络
- 通过全连接的方法对 长距离 建模；
- 问题：
- 无法处理变长的输入序列；
- 不同的输入长度，其连接权重的大小也是不同的；
- self-attention 是如何 解决 长距离依赖问题的呢?
- 解决方式：
- 利用注意力机制来“动态”地生成不同连接的权重，从而处理变长的信息序列
- 具体介绍：
- 对于 当前query，你需要 与 句子中 所有 key 进行点乘后再 Softmax ，以获得 句子中 所有 key 对于 当前query 的 score(可以理解为 贡献度)，然后与 所有词 的 value 向量进行加权融合之后，就能使 当前 $y_t$ 学习到句子中 其他词$x_{t-k}$的信息；
### 九、self-attention 如何并行化？
- 引言：
- 在上一个问题中，我们主要讨论了 CNN 和 RNN 在处理长序列时，都存在 长距离依赖问题，以及 Transformer 是 如何解决 长距离依赖问题，但是对于 RNN ,还存在另外一个问题：
- 无法并行化问题
- 那么，Transformer 是如何进行并行化的呢？
- Transformer 如何进行并行化？
- 核心：self-attention
- 为什么 RNN 不能并行化：
- 原因：RNN 在 计算 $x_i$ 的时候，需要考虑到 $x_1 ~ x_{i-1}$ 的 信息，使得 RNN 只能 从 $x_1$ 计算到 $x_i$;
- 思路：
- 在 self-attention 能够 并行的 计算 句子中不同 的 query，因为每个 query 之间并不存在 先后依赖关系，也使得 transformer 能够并行化；
### 十、multi-head attention 怎么解?
- 思路：
- 相当于 $h$ 个 不同的 self-attention 的集成
- 就是把self-attention做 n 次，取决于 head 的个数；论文里面是做了8次。
- 步骤：
- step 1 : 初始化 N 组 $Q，K，V$矩阵(论文为 8组)；
- step 2 : 每组 分别 进行 self-attention;
- step 3：
- 问题：多个 self-attention 会得到 多个 矩阵，但是前馈神经网络没法输入8个矩阵；
- 目标：把8个矩阵降为1个
- 步骤：
- 每次self-attention都会得到一个 Z 矩阵，把每个 Z 矩阵拼接起来，
- 再乘以一个Wo矩阵，
- 得到一个最终的矩阵，即 multi-head Attention 的结果；
最后，让我们来看一下完整的流程：
换一种表现方式：
## 参考资料
1. [Transformer理论源码细节详解](https://zhuanlan.zhihu.com/p/106867810)
2. [论文笔记：Attention is all you need（Transformer）](https://zhuanlan.zhihu.com/p/51089880)
3. [深度学习-论文阅读-Transformer-20191117](https://zhuanlan.zhihu.com/p/92234185)
4. [Transform详解(超详细) Attention is all you need论文](https://zhuanlan.zhihu.com/p/63191028)
5. [目前主流的attention方法都有哪些？](https://www.zhihu.com/question/68482809/answer/597944559)
6. [transformer三部曲](https://zhuanlan.zhihu.com/p/85612521)
7. [Character-Level Language Modeling with Deeper Self-Attention](https://aaai.org/ojs/index.php/AAAI/article/view/4182)
8. [Transformer-XL: Unleashing the Potential of Attention Models](https://ai.googleblog.com/2019/01/transformer-xl-unleashing-potential-of.html)
9. [The Importance of Being Recurrent for Modeling Hierarchical Structure](https://arxiv.org/abs/1803.03585)
10. [Linformer](https://arxiv.org/abs/2006.04768)
