Transformer模型-7- Decoder

概述

Decoder也是N=6层堆叠的结构，每层被分3层: 两个注意力层和前馈网络层，同Encoder一样在主层后都加有Add&Norm，负责残差连接和归一化操作。

Encoder与Decoder有三大主要的不同：

1. 第一层 Masked Multi-Head Attention: 采用Masked操作
2. 第二层 Multi-Head Attention: K, V矩阵是使用Encoder编码信息矩阵C进行计算，而Q使用上一个Decoder的输出计算。
3. 概率计算输出: Linear和Softmax作用于前向网络层的输出后面，来预测对应的word的probabilities

Encoder的输入矩阵用X表示，输出矩阵用C表示

流程图表示如下：

分析如下：

1. 我们将 输入转换为嵌入矩阵，再加上位置编码，输入解码器
2. 解码器收到输入，将其发送给带掩码的多头注意力层，生成注意力矩阵M
3. 将注意力矩阵M和Encoder输出的特征值R作为多头注意力层的输入，输出第二层注意力矩阵
4. 从第二层的多头注意力层得到注意力矩阵，送入前馈网络层，后者将解码后的特征作为输出
5. 前馈网络层的输出经过Add&Norm后，做linear及Softmax回归，并输出目标句子的特征

Decoder 的输入

Decoder的输入结构与encoder的一样。

见Transformer模型-4-Inputs-笔记

Masked Multi-Head Attention

输入组成

由如下几个部分组成

1.初始输入：前一时刻Decoder输入+前一时刻Decoder的预测结果 + Positional Encoding
3.中间输入：Encoder Embedding
4.Shifted Right：在输出前添加 起始符(Begin)，方便预测第一个Token

Shifted Right是在起始位添加起始符(Begin)，让整个输入向后移一位，是为了在T-1时刻需要预测T时刻的输出。

举例: I like eat hamburg

正常的输出序列位置关系如下：

1  0："I"
2  1："like"
3  2："eat"
4  3: "hamburg"

在执行的过程中，我们在初始输出中添加了起始符，相当于将输出整体右移一位（Shifted Right），所以输出序列如下：

1  0： </s> #起始符
2  1： "I"
3  2： "like"
4  3： "eat"
5  4： "hamburg"

这样我们就可以通过起始符预测“I”，也就是通过起始符预测实际的第一个输出。

具体步骤

Time Step 1

• 初始输入： 起始符 + Positional Encoding
• 中间输入：(我爱吃汉堡)Encoder Embedding
• Decoder： 产生预测I

Time Step 2

• 初始输入：起始符 + I + Positonal Encoding
• 中间输入：(我爱吃汉堡)Encoder Embedding
• Decoder：产生预测like

Time Step 3

• 初始输入：起始符 + I + like + Positonal Encoding
• 中间输入：(我爱吃汉堡) Encoder Embedding
• Decoder：产生预测eat

Time Step 4

• 初始输入：起始符 + I + like + eat + Positonal Encoding
• 中间输入：(我爱吃汉堡) Encoder Embedding
• Decoder：产生预测hamburg

Masked

主要用途

1. 引入类对焦矩阵，实现并行解码加速整个训练过程；
2. 在生成attention时保存信息不泄露(没有生成不该生成的数据)

Masked的工作方式： 以"I like eat hamburg"说明

1. 在Masked Multi-Head Attention层：在生成I时不能看到Like、eat、hambugers更不能生成他们之间的相关度信息，解码时只能看到自己或<起始符>，后面的信息都隐掉，即masked

上图表示：输入矩阵 + Mask = Mask矩阵

图中黑色框表示被Mask的部分

1. 在Multi-Head Attention则是把Encoder信息与Decoder信息进行整合

并行化处理-原因分析

早在Seq2Seq模型采用的是逐步Decoder，在Encoder时一次性输入全部数据，生成第一个字时，会先结合 <起始符> ，再生成；然后用生成第二个字符时 由第一个字符再结合起始符达成，以此类推，整个过程是串行化的过程。

而在大规模的模型训练过程中，解决效率的的关键就是把串行计算改为计算(并行解码) ，即一次性输入，一次性解码。当一次性将信息全部输入，模型一次计算可能会计算所有数据。但并行会影响到结果输出 —— 因为计算时如数据全可见，会对预测会有影响，而加入了Masked是可以避免数据泄露的。我们输入时还是一次性输入全部数据，在Attention时追加一个Masked保证一个字符只能看到前一个字或起始符。

公式推导

1.得到Q，K，V： 输入数据：I like eat hamburg，进行三次线性变化，得到Q，K，V。

2.Masked计算：当Q∗K=QKTQ∗K=QKT得到相当度信息后，再和Masked矩阵做按位相乘得到masked QKTQKT 。Masked保存此次解码只看到该看到的，隐去看不到的或不应该看到的。

3.得到Attention(Q,K,V)公式：拿到softmax(QKTdk)softmax(dkQKT) 结果后再和 V(value) 做一次 Attention计算得到Attention(Q,K,V)

i

公式:

Multi-Head Attention

也称 Cross Multi-Head Attention 即是结合Encoder与Encoder而得到的信息，获取整合的Attention(Q，K，V)，其中数据获取来源分为：

Q: 由masked Multi-head Attention输出，再经过Add&Norm后得到的数据
K\V: 是Encoder输入出经过两次线性变化的而得数据，其中的3/4分给了Multi-Head Attention

最后 将所有的Q (Decoder端所有的 token) 去和encoder的输出的数据一起计算，来衡量他们之间的相关度，最后结合Value生成Attention。

Decoder -输出

transformer的output probabilities，从字面上我们即可理解transformer的输出token是由各个词的概率计算而得。

原理: 数据经过 (cross) multi-head Attention及线性变化之后，输出softmax，最后输出数据，输出则是每个位置上单词的概率分布

结构分析

用softmax预测输出单词

用Softmax来预测下一个单词，通过之前的各种操作后得到一个最终输出Z来预测单词：

又因为Mask，使得单词的输出Z0只包含<起始符>的信息，如下：

起止符这里用begin表示

先贴个图，后面随着笔者对其学习研究的加强会补充更多的内容，现在主要是想强调输出是由概率计算而得，加深印象。

如果您也对AI大模型感兴趣想学习却苦于没有方向

标签：输出,Transformer,AI,模型,Attention,Encoder,Decoder,输入
From： https://blog.csdn.net/aidashuju/article/details/142414124