标签：NLP Transformer 复习 text Attention 矩阵单词 Embedding

1. Transformer 概述

1.1 整体结构

$\text{Transformer}$ 主要由 $\text{Encoder}$ 和 $\text{Decoder}$ 两个部分组成。$\text{Encoder}$ 部分有 $N = 6$ 个相同的层，每层包含 一个 $\text{Muti-Head Attention}$（多头注意力机制，由多个 $\text{Self-Attention}$ 组成）和一个 $\text{Feed-Forword}$；$\text{Decoder}$ 部分也有 $N = 6$ 个相同的层，每层包含 两个 $\text{Muti-Head Attention}$ 和一个 $\text{Feed-Forword}$ 。

在 $\text{Encoder}$ 和 $\text{Decoder}$ 中，每个子层上面还有一个 $\text{Add \& Norm}$ 层，$\text{Add}$ 表示 残差连接 ($\text{Residual Connection}$) 用于 防止网络退化，$\text{Norm}$ 表示 $\text{Layer Normalization}$，用于 对每一层的激活值进行归一化。（残差连接）

在图中，还有模型的输入部分，包括原始输入的词嵌入（$\text{Input Embedding}$）和标准结果的词嵌入（$\text{Output Embedding}$），由 单词 $\text{Embedding}$ 和 位置 $\text{Embedding}$ （$\text{Positional Encoding}$）相加得到。

最后输出，经过一个全连接层和一个 $\text{softmax}$，得到最终预测的结果 $O$。

1.2 简要过程

输入 $X$

输入序列中的每个单词首先被嵌入（$\text{Embedding}$）成一个向量，通过 $\text{Word Embedding}$ 和 $\text{Positional Embedding}$ 相加 得到这些词向量，并构成输入单词向量矩阵 $X$。

（课上学到的 $\text{Embedding}$ 相关知识，可以看之前整理的一篇随笔 Word Embedding 之 Word2Vec ）
编码 $\text{Encoder}$

将得到的单词表示向量矩阵，传入 $\text{Encoder}$ 中，经过 $6$ 个相同的层后得到句子所有单词的编码信息矩阵 $C$ 。
解码 $\text{Decoder}$

将 $\text{Encoder}$ 输出的编码信息矩阵 $C$ 传递到 $\text{Decoder}$ 中，$\text{Decoder}$ 依次根据当前 翻译（预测）过的第 $1$ 到 $i$ 个单词 翻译（预测）下一个单词 $i+1$，也就是说只用到当前单词以及之前的单词，后面的单词需要遮盖住，这个操作称为 $\text{Mask}$。

依次类推，最后预测出所有单词。

2. Transformer 输入

2.1 单词 Embedding

单词 $\text{Embedding}$ 可以通过 $\text{Word2Vec}$、$\text{Glove}$ 等算法预训练得到，也可以在 $\text{Transformer}$ 中训练得到。

Word Embedding 之 Word2Vec ）

2.2 位置 Embedding

$\text{Transformer}$ 完全抛弃了 $\text{RNN}$ 的结构，使用的是全局信息，无法利用单词的顺序信息。为了使模型能够利用序列的顺序，有必要注入一些关于序列相对位置或绝对位置的信息。

位置 $\text{Embedding}$ （之后简称 $PE$）可以通过训练的方式得到，也可以采用某种公式进行计算得到。而 $\text{Transformer}$ 中通常采用如下公式：

\[\begin{split} PE_{(pos, 2i)} = \text{sin}(\frac{pos}{10000^{\frac{2i}{d}}}) \\\\ PE_{(pos, 2i + 1)} = \text{cos}(\frac{pos}{10000^{\frac{2i}{d}}}) \end{split} \]

其中，$pos$ 表示单词在句子中的位置，$d$ 表示得到的 $PE$ 的维度（这个维度和生成的词向量的维度是一样的）。$2i$ 表示偶数维度，$2i + 1$ 表示奇数维度，并且 $i \le \frac{d-1}{2}$。

在论文《Attention Is All You Need》中，采用训练 $\text{Embedding}$ 的方法和采用公式计算的方法，最终得到的结果相近。

并且，公式计算有如下优势：

能够适应比训练集里面所有句子更长的句子

假设训练集里面最长的句子是有 30 个单词，若来了一个长度为 31 的句子，则使用公式计算的方法可以直接计算出第 31 个单词对应的 $PE$。
容易计算出相对位置

对于固定长度的间距 $k$，$PE(pos+k)$ 可以用 $PE(pos)$ 通过变换计算得到。

关于为什么采用这个公式，可以参考这篇文章 Transformer Architecture: The Positional Encoding。

文章中展示了一串序列长度为 50，位置编码维度为 128 的位置编码可视化结果。

可以发现，三角函数公式使得位置向量的值都位于 $[-1, 1]$ 区间内，值都比较小。

横向来看，对于每个位置 $pos$，$pos$ 越靠后，所构成的 $PE$ 的值波动越多。每个 $PE$ 都是不同的，表达了不同位置的信息。

纵向来看，对于每个维度 $i$，$i$ 越大，频率越小，波长越长，从而导致前面的位置对应的这个维度的值都近乎一样，对于结果的影响也就越小。

3. Self-Attention 自注意力机制

3.1 Self-Attention 简述

自注意力机制（$\text{Self-Attention}$）是 $\text{Transformer}$ 中的核心组件之一，使得模型能够在处理序列数据时 更好地捕捉长距离的依赖关系。

在 $\text{Transformer}$ 中，$\text{Self-Attention}$ 接收的是输入的词向量矩阵 $X$ 或者是上一层 $\text{Encoder}$ 层的输出矩阵。

而关键就在于矩阵 $Q$（查询），$K$（键），$V$（值）的计算。这些矩阵通过输入 $\text{X}$ 矩阵线性变换得到。

3.2 Q, K, V 计算

$\text{Self-Attention}$ 的输入用矩阵X进行表示，则可以使用线性变阵矩阵 $W^Q$, $W^K$, $W^V$ 计算得到 $Q$, $K$, $V$ 。

$X, Q, K, V$ 的每一行向量都表示一个单词。

3.3 Self-Attention 输出

令 $d_k$ 为矩阵 $Q$，$K$ 的列数（$Q \in \mathbb{R}^{n \times d_k}, K \in \mathbb{R}^{n \times d_k} $），在输出时，为计算 $Q$ 和 $K$ 每一行向量的内积，为了防止内积过大，采取除以 $\sqrt{d_k}$ 的做法。

\[\text{Attention}(Q, K, V) = \text{softmax}(\frac{QK^T}{\sqrt{d_k}})V \]

其中，内积得到的矩阵 $QK^T$ 表示的就是 $n$ 个单词之间的 $\text{attention}$ 强度。之后再通过一层 $\text{softmax}$，每一行进行归一化。

最终和 $V$ 相乘得到输出 $Z$。

$Z$ 的每一行为一个单词，$Z$ 就是当前的输出的编码矩阵。

3.4 Multi-Head Attention 多头注意力机制

但是，单一的自注意力机制会造成缺陷：模型在对当前位置的信息进行编码时，会 过度的将注意力集中于自身的位置。

在论文中，作者提出了通过 多头注意力机制（$\text{Multi-Head Attention}$）。多头注意力 允许模型在不同位置共同关注来自不同表征子空间的信息，由此来解决注意力过度集中于自身位置这一问题。

所谓的多头注意力机制其实就是 将原始的输入序列拆分进行多组的自注意力处理 过程；然后再将 每一组自注意力的结果拼接 起来进行一次 线性变换 得到最终的输出结果。

\[\begin{split} \text{MutiHead}(Q, K, V) &= \text{Concat}(head_1, head_2, \cdots, head_h)W^O \\\\ \text{where} \; head_i &= \text{Attention}(QW^Q_i, KW^K_i, VW^V_i) \end{split} \]

其中 $W^O$ 时线性变换矩阵。$W^Q_i \in \mathbb{R}^{d_{\text{model}} \times d_k}, \; W^K_i \in \mathbb{R}^{d_{\text{model}} \times d_k}, \; W^V_i \in \mathbb{R}^{d_{\text{model}} \times d_v}, \; W^O \in \mathbb{R}^{hd_v \times d_{\text{model}}}$。

并且 $d_k = d_v = d_{\text{model}} / h$。$h$ 表示的就是拆分的自注意力模块的个数。$d_{\text{model}}$ 是之前生成的词向量的维度。

最后输出一个 $n \times d_{\text{model}}$ 的矩阵，也就是我们通过 $\text{Encoder}$ 部分每一层多头注意力机制下得到的当前的编码矩阵。

关于多头注意力机制是如何解决注意力过度集中于自身位置的问题，可以参考
为什么Transformer 需要进行 Multi-head Attention

4. Add & Norm 及 Feed Forward

4.1 Add & Norm

在 $\text{Encoder}$ 部分中每一层多头注意力（$\text{Muti-head Attention}$）和 $\text{FeedForward}$ 后面还有一个 $\text{Add \& Norm}$ 层。

公式如下：

\[\begin{split} \text{LayerNorm}(X + \text{MutiHead}(X)) \\\\ \text{LayerNorm}(X + \text{FeedForword}(X)) \end{split} \]

其中， $X$ 表示 $\text{Multi-Head Attention}$ 或者 $\text{Feed Forward}$ 的输入，$\text{MultiHeadAttention(X)}$ 和 $\text{FeedForward(X)}$ 表示输出。

$\text{Add}$ 具体指的是残差连接，在 $\text{ResNet}$ 中经常用到。

$\text{Norm}$ 指 $\text{Layer Normalization}$，会将每一层神经元的输入都转成均值方差一样，从而可以加快收敛。

4.2 Feed Forward

$\text{Feed Forward}$ 层比较简单，是 一个两层的全连接层，第一层的激活函数为 $\text{Relu}$，第二层不使用激活函数，对应的公式如下。

\[\text{FeedForward} = \text{max}(0, XW_1 + b_1)W_2 + b_2 \]

5. Encoder 部分

$\text{Encoder}$ 部分有 $N = 6$ 个相同的层，每层包含 一个 $\text{Muti-Head Attention}$（多头注意力机制，由多个 $\text{Self-Attention}$ 组成）和一个 $\text{Feed-Forword}$。

经过 $N = 6$ 个这样相同的层，最终得到输出的单词向量编码矩阵 $C$ 。

6. Decoder 部分

$\text{Decoder}$ 部分也有 $N = 6$ 个相同的层，每层包含 两个 $\text{Muti-Head Attention}$ 和一个 $\text{Feed-Forword}$ 。但是在部分结构上与 $\text{Encoder}$ 存在一些区别：

第一个 $\text{Multi-Head Attention}$ 层采用了 $\text{Mask}$ 操作。
第二个 $\text{Multi-Head Attention}$ 层的 $K$, $V$ 矩阵使用 $\text{Encoder}$ 得到的编码信息矩阵 $C$ 进行计算，而 $Q$ 使用上一个 $\text{Decoder block}$ 的输出 $Z$ 计算。
最后有一个 $\text{softmax}$ 层，从而得到下一个翻译单词的概率。

$\text{Decoder}$ 的 $\text{Multi-Head Attention}$ 采用了 $\text{Mask}$ 操作。在翻译的过程中是顺序翻译的，即翻译完第 $i$ 个单词，才可以翻译第 $i+1$ 个单词。也就是说，翻译第 $i + 1$ 个单词，只使用前面已经翻译过的第 $1$ 到 $i$ 个单词的信息。通过 $\text{Mask}$ 操作可以防止第 $i$ 个单词知道 $i+1$ 个单词之后的信息。