transformer系列2---transformer架构详细解析

请添加图片描述

Transformer是一个序列到序列的模型，包含一个encoder和一个decoder，每个encoder或decoder均由 H个相同的结构堆叠而成。编码器模块主要包含：多头自注意力模块和前馈神经网络，同时采用残差连接增加网络深度，采用layerNorm进行归一处理。解码器模块基本结构和编码器模块相同，只是使用mask的多头注意力模块，然后增加一个交叉注意力模块，再输入逐点前馈网络，最后经过一个全连接层和一个Softmax，得到输出结果，每个输出结果又会作为下一轮decoder的输入，因此，transformer属于自回归。整体结构如上图所示，下面对每个模块进行详细解读。

Encoder

1 输入

输入部分

1.1 Embedding 词嵌入

1.1.1 Embedding 定义

首先介绍一下常见的几种编码方式：

整数编码：用一种数字来代表一个词
one-hot 编码：用一个序列向量表示一个词，该向量只有词汇表中表示这个单词的位置是1，其余都是0，序列向量长度是预定义的词汇表中单词数量。
word embedding 词嵌入编码：将词映射或者嵌入（Embedding）到另一个数值向量空间（常常存在降维），它以one hot的稀疏矩阵为输入，经过一个线性变换（查表）将其转换成一个密集矩阵的过程。Embedding的原理是使用矩阵乘法来进行降维，节约存储空间。例如下图，一个2×6的矩阵，乘以6×3的矩阵，得到2×3的矩阵。虽然矩阵的变小，但数字蕴藏的信息没有改变，只是按照某一种映射关系将矩阵映射到一个新的维度的矩阵。每个单词都表示为一个3维的浮点值向量。可以将其理解为“查找表”，通过查找表查找密集矩阵中的值，得到每个单词进行编码。比如下面的第一个词，查找密集矩阵中第一行即可得到新的表示

1.1.2 几种编码方式对比

下表是对几种编码方式的对比
在这里插入图片描述

1.1.3 实现代码

class Embeddings(nn.Module):
    def __init__(self, d_model, vocab):
        super(Embeddings, self).__init__()
        self.lut = nn.Embedding(vocab, d_model)
        self.d_model = d_model

    def forward(self, x):
        return self.lut(x) * math.sqrt(self.d_model)

1.2 位置编码

1.2.1 使用位置编码原因

由于句子中的每个词语同时通过Transformer的编码器/解码器，模型本身对于每个词语的位置/顺序没有任何概念。因此，需要将词语的顺序融入到模型中，使模型能够获取词语的位置信息，也就是位置编码。位置编码需要满足以下条件：

词语在句子中的每个位置应输出一个唯一的编码。
不同长度的句子之间的任意两个位置之间的距离应保持一致。
模型应能适应更长的句子，其取值应该受到限制。
它必须是确定值。

1.2.2 位置编码方式

固定位置编码
可学习的位置编码

1.2.3 位置编码代码

2 注意力 Attention

在这里插入图片描述

2.1 自注意力self-attention

2.1.1 QKV含义

2.1.2 自注意力公式

在这里插入图片描述
dk代表矩阵K的维度，这里进行归一化计算，假设q和k的分量是独立的随机变量，均值为0，方差为1。那么它们的点积的均值为0，方差为dk，点积会变大，因此需要归一化计算。

2.1.3 自注意力计算流程

对于输入的序列a1，a2，a3，a4，通过Wq，Wk，Wv三个矩阵，将其转换为q1,k1,v1,q2,k2,v2,q3,k3,v3,q4,k4,v4。
q1和k1—k4分别计算相似性，得到相似性系数
计算soft-max，得到

该步骤
将上一步得到的注意力分数与v1，v2，v3，v4相乘，求和，得到。
具体流程如下图：
总结：上述流程用矩阵表示为：

2.2 多头注意力 Multi-Head Attention

2.2.1 多头注意力公式

在这里插入图片描述
这里，

2.2.2 多头注意力计算流程

顾名思义，多头注意力就是用H个不同参数的 QKV注意力结构对输入的 Dk维度的 query,key和 value进行计算；然后将所有输出结果进行拼接，并将N*d_v维度映射回 D_m维，注意，这里的H个head是并行计算的，而不是一个一个head串行。
在这里插入图片描述

2.3 模型使用的三种注意力

自注意力 self attention
在 Transformer编码器中使用，Q=K=V=X, X为输入或前一层的输出
掩码自注意力 masked self attention
在Transformer解码器中使用，此时自注意力限制为：每个位置的 Query只注意到该位置和之前的所有 Key-Value值。具体实现为：对位归一化的注意力矩阵进行掩码操作，即当 i<j时，设置 A_ij 为负无穷。这种自注意力也称之为自回归（autogress）或因果（causal）注意力。
交叉注意力 cross Attention
Q,K,V的来源不同，其中 Q（query）来自于输入或上一层的输出，而 K和 V则来自于编码器的输出。

3 前馈神经网络

逐点前馈网络（Position-wise Feed-Forward Networks）为全连接（通常为两层）前馈结构，对特征图每个点进行逐点计算，计算公式为：
在这里插入图片描述
x是多头注意力的输出，第一层全连接结构经过RELU激活函数后，再计算一次全连接，W1，W2，b1，b2为可学习的参数。

4 残差连接和归一化

Transformer结构在每个模块中采用了残差连接，并对连接后的张量进行归一化操作可以表示为：
LN（X）= LayerNorm（x + Sublayer（x））

Sublayer表示当前层的操作，比如当前层计算多头注意力，这里就是Multihead（x），若是逐点前馈网络，就是FFN（x），LayerNorm表示层归一化操作。残差连接和归一化主要用于构建更深的网络结构，减缓梯度消失问题。

Decoder

1 输入

Decoder的输入部分与Encoder类似，都是将输入先经过embedding转换，然后增加位置编码，区别是，这里的输入是Decoder上一轮的输出结果，因此，transformer是自回归。

2 mask 多头自注意力

Decoder也有多头自注意力(MHA)模块，不过这里需要对当前单词和之后的单词做mask，也就是模型只会看到当前位置之前的内容，这样，才能确保预测仅依赖于已生成的输出单词。

3 多头交叉注意力

交叉注意力也成为跨注意力，这里的K和V是来源于encoder的输出，Q是来源于Decoder的Mask MHA，而解码器自注意力中，Q、K和V都来自上一个解码器层的输出。

4 前馈神经网络

这部分和encoder相同，不再赘述

5 输出

经过decoder后，网络再经过全连接层和softmax，即可得到输出结果

参考内容：
感谢李宏毅老师的视频讲解，文章中的图来源于李老师的PPT。