NLP学习—21.自注意力机制（Self-Attention）与Transformer详解

文章目录

引言

Transformer同样也是seq2seq模型。在注意力机制诞生后，诞生了多种改进的模型，但是这些模型一般都是把注意力机制与循环神经网络结合（包括一些改良的，如LSTM），但是这些模型有个弊端：RNN由于其顺序结构训练速度常常受到限制，就是并行计算能力不强。既然Attention模型本身可以看到全局的信息，那么一个自然的疑问是我们能不能去掉RNN结构，仅仅依赖于Attention模型呢，这样我们可以使训练并行化（encoder端并行计算），同时拥有全局信息？为解决这一些问题，论文提出了一种仅基于注意力机制的模型，具有强大的并行计算性以及效果很好。

一、Structure of Transformers

Transformer模型的模型结构为encoder-decoder，

在这里插入图片描述

如下图，N个Encoder block组成encoder，N个Decoder block组成decoder。基于注意力机制的构造与基于RNN的不同，基于RNN的是在时间步上串联（在每个time step只能输入一个token），而基于注意力机制的是类似于桶状结构（一起将数据输入到模型中去）。

在这里插入图片描述

那么，在Transformer中encoder中的信息如何传给decoder？

将encoder的最后一个Block分别传给decoder中的每一个block，然后decoder进行输出生成。

二、Encoder Structure

在这里插入图片描述

以输入为：Thinking Machines为例，Thinking与Machines最开始输入是维度为vocab的one-hot向量，经过embedding层，转换成embedding size大小的向量，输入到self-Attention层中，得到

z

$z$

，经过Feed Forward层将得到

r

$r$

。

r

$r$

将作为下一个encoder Block的input。

其中，Self-attention将在后面详细分析，这里介绍FFN。每一层经过attention之后，还会有一个FFN，这个FFN的作用就是空间变换。FFN包含了2层linear transformation层，中间的激活函数是ReLu。FFN的加入引入了非线性(ReLu激活函数)，变换了attention output的空间, 从而增加了模型的表现能力。把FFN去掉模型也是可以用的，但是效果差了很多。

三、Self-attention and multi-head self-attention

Word2vec的基本思想：句子中相近的词之间是有联系的，比如今天后面经常出现上午、下午和晚上。所以Word2vec的基本思想是用词来预测词，skip-gram使用中心词预测周围词，cbow使用周围词预测中心词。那么，一个词的embedding有没有可能关系到周围词外的部分？Self-attention就是自己与自己计算一个相关性（权重），利用自己（句子/文本）

内部的表征

得到一个更好的表征。

在这里插入图片描述

1.Self-attention

Self-Attention的基本结构如下：

在这里插入图片描述

MatMul对应

QK^T

$Q K^{T}$

,Scale对应

\sqrt{d_k}

$d_{k}$

，

Mask

是因为每一个batch的数据经过padding后变得等长，在计算attention score时，不希望padding部分参与softmax计算，此时，需要Mask使得padding部分权重为0（padding部分的得分为

-inf

$- i n f$

）。第二个MatMul对应权重与vector标的的计算。

下面展示Self-attention内部是如何计算的

在这里插入图片描述

Q

$Q$

:标的

K

$K$

:和别人计算的标的

V

$V$

:加权的vector标的

对于self-attention来讲,

(

)

(

)

(

)

Q(Query), K(Key), V(Value)

$Q (Q u e r y), K (K e y), V (V a l u e)$

三个矩阵均来自同一输入（Q、K、V来自embedding的线性变化），首先我们要计算

Q

$Q$

与

K

$K$

之间的点乘，然后为了防止其结果过大，会除以一个尺度标度

\sqrt{d_k}

$d_{k}$

，其中

\sqrt{d_k}

$d_{k}$

为一个query和key向量的维度。再利用Softmax操作将其结果归一化为概率分布，然后再乘以矩阵

V

$V$

就得到权重求和的表示。

举个例子：

假如我们要翻译一个词组Thinking Machines，其中Thinking的输入的embedding vector用

x_1

$x_{1}$

表示，Machines的embedding vector用

x_2

$x_{2}$

表示。

在这里插入图片描述

当我们处理Thinking这个词时，我们需要计算句子中所有词与它的Attention Score，这就像将当前词作为搜索的query，去和句子中所有词（包含该词本身）的key去匹配，看看相关度有多高。我们用

q_1

$q_{1}$

代表Thinking对应的query vector，

k_1

$k_{1}$

及

k_2

$k_{2}$

分别代表Thinking以及Machines对应的key vector，则计算Thinking的attention score的时候我们需要计算

q_1

$q_{1}$

与

k_1,k_2

$k_{1}, k_{2}$

的点乘，同理，我们计算Machines的attention score的时候需要计算

q_2

$q_{2}$

与

k_1,k_2

$k_{1}, k_{2}$

的点乘。我们分别得到了

q_1

$q_{1}$

与

k_1,k_2

$k_{1}, k_{2}$

的点乘积，然后我们进行尺度缩放与softmax归一化，如下图所示：

在这里插入图片描述

显然，当前单词与其自身的attention score一般最大，其他单词根据与当前单词重要程度有相应的score。然后我们在用这些attention score与value vector相乘，得到加权的向量。

如果将输入的所有向量合并为矩阵形式，则所有query, key, value向量也可以合并为矩阵形式表示

在这里插入图片描述

其中，

W^Q,W^K,W^V

$W^{Q}, W^{K}, W^{V}$

是我们模型训练过程中学习到的合适参数，上述公式可以简化为矩阵计算：

在这里插入图片描述

2.multi-head self-attention

multi-head self-attention的基本结构如下：

在这里插入图片描述

multi-head self-attention 与self-attention 的区别在于可以有多组

W^Q,W^K,W^V

$W^{Q}, W^{K}, W^{V}$

，得到不同的

、

Q、K、V

$Q 、 K 、 V$

，最后得到不同的

Z

$Z$

。我们认为一组线性变化提取的是一个维度的特征，采用多组可以从更高维来提取更多的特征。

在这里插入图片描述

其中，多个self-attention得到的结果

Z_i

$Z_{i}$

后续操作如下所示：

在这里插入图片描述

拼接后与矩阵

W^o

$W^{o}$

进行线性变化，

在这里插入图片描述

四、Residuals与Layer-Normalization

在这里插入图片描述

Residuals:是为了解决多层神经网络训练困难的问题，通过将前一层的信息无差的传递到下一层，可以有效的仅关注差异部分，这一方法之前在图像处理结构如ResNet等中常常用到。 Transformer的层数较多，反向传播时容易出现梯度消失与梯度爆炸，所以添加Residuals，防止信息的丢失与梯度回传的消失
Layer Normalization：在每个block中，最后出现的是Layer Normalization。Layer Normalization是一个通用的技术，其本质是规范优化空间，加速收敛。当我们使用梯度下降法做优化时，随着网络深度的增加，数据的分布会不断发生变化，为了保证数据特征分布的稳定性，我们加入Layer Normalization，这样可以加速模型的优化速度。

五、Decoder structure of Transformer

在这里插入图片描述

这里我们着重介绍Mask self-attention与Encoder-decoder attention

1.Mask self-attention

训练时，decoder端是一次性输入，但是在测试/生成，是不知道后面的token的，需要一个个预测出来，在每一个时间步，将已经生成的输入到桶里面去。在推理阶段，token是按照从左往右的顺序推理的。也就是说，在推理

timestep=T

$t i m e s t e p = T$

的token时，decoder只能“看到”

timestep < T

$t i m e s t e p < T$

的

−

T-1

$T - 1$

个Token, 不能和timestep大于它自身的token做attention（因为根本还不知道后面的token是什么）。为了保证训练时和推理时的一致性，所以，训练时要同样防止token与它之后的token去做attention。Decoder端的Mask的功能是为了

保证训练阶段和推理阶段的一致性

。这里的Mask与encoder端的Mask类似，一个是控制padding部分权重为0；一个是控制后续token部分权重为0。训练的时候需要Mask，预测的时候不需要Mask。

2.Encoder-decoder attention

在这里插入图片描述

Encoder-decoder attention的输入：它的Q来自于之前一级的decoder层的输出，但K和V来自于encoder的输出，这使得decoder的每一个位置都可以attend到输入序列的每一个位置。

下面展示Encoder-decoder attention的预测过程：

在这里插入图片描述

3. 总结

decoder的训练过程：decoder端是一次性输入，经过Mask self-attention得到处理后的输入。decoder的预测过程：会将上一时间步decoder的输出输入到下一时间步中，如上面的预测过程。

六、Word Embedding and position encoding

通过前面encoder部分，我们可以发现：encoder端并行输入，没有了序列信息，此时，就需要position encoding。position encoding只在encoder端和decoder端的embedding之后，第一个block之前出现，它非常重要，没有这部分，Transformer模型就无法用。position encoding是Transformer框架中特有的组成部分，

补充了Attention机制本身不能捕捉位置信息的缺陷

。为了更好的让模型学习位置信息，所以添加了position encoding并将其叠加在word embedding上。

在这里插入图片描述

该论文中选取了三角函数的encoding方式：

pos

$p o s$

表示的是在这句话的第几个位置，

i

$i$

表示的是在embedding的第几个维度。所以，通过三角函数，可以计算出这句话的每一个位置的每一个维度的值。这样计算的优势是：使模型轻松学到相对位置，因为对于任意的偏移量

k

$k$

，

PE_{pos+k}

$P E_{p o s + k}$

可以由

PE_{pos}

$P E_{p o s}$

的线性表示，同时，这个模型与可学习到的位置编码相比，可以解决sequence长度更长的位置信息。

在这里插入图片描述

三角函数可视化结果为：

注意：position encoding在训练过程中是固定的

。

七、扩展

为什么Transformer会work？

Transformer做到内部之间的相互attention
Transformer能够解决RNN/LSTM模型的长期依赖问题
Transformer是大模型，有更多的参数，可以提取更高维的信息，学到更好的表征
利用self attention思想，结合预训练模型，能够产生语言学预训练知识，为后面的预训练模型提供了框架的基础，能方便下游任务做一个快速的finetune。

参考

贪心课程中老师讲解的Transformer
Attention机制详解（二）——Self-Attention与Transformer
【经典精读】Transformer模型深度解读
The Illustrated Transformer
pytorch tutorial

如果对您有帮助，麻烦点赞关注，这真的对我很重要！！！如果需要互关，请评论或者私信！

在这里插入图片描述