Transformer梳理与总结

 其实transformer的成功也是源于对注意力机制的应用，其本质上还是可以归因于注意力机制，首先我们先来了解一下什么是注意力机制。在注意力机制的背景下，自主性提示被称为查询（query）,给定任何查询，注意力机制通过注意力汇聚（attention pooling） 将选择引导至感官输入（sensory inputs，例如中间特征表示）

 通过给定的查询，与键值进行计算，得到不同的注意力权重，这里注意力汇聚操作是得到由查询和键值计算出的权重先进行加权 然后再求和 ，得到加权平均值，根据加权方式的不同又可以分为非参注意力汇聚和带参注意力汇聚

非参数注意力汇聚(Nadaraya-Watson kernel regression)

 x是查询，$(x_i,y_i)$是键值对，将查询x和键值对建模为注意力权重(attention weight),那么注意力汇聚操作就是对$y_i$的加权平均
$$\alpha (x,x_i)==>f(x)=\sum _{i=1}^n\frac{K(x-x_i)}{{\sum }_{j=1}^{n}K(x-x_j)}{y}_i,$$
$$f(x)=\sum _{i=1}^n\alpha (x,x_i)y_i,$$
 为了便于理解，可以借鉴这个高斯核的例子

带参数注意力汇聚

 从上述高斯核的例子出发，在计算查询x和键值x_i之间的距离时，加入权重参数
$$\begin{array}{rl}f(x)& =\sum _{i=1}^n\alpha (x,x_i)y_i\\ & =\sum _{i=1}^n\frac{\exp \left(-\frac{1}{2}((x-x_i)w{)}^2\right)}{{\sum }_{j=1}^n\exp \left(-\frac{1}{2}((x-x_j)w{)}^2\right)}{y}_i\\ & =\sum _{i=1}^n\text{softmax}\left(-\frac{1}{2}((x-x_i)w{)}^2\right)y_i.\end{array}$$

注意力评分函数

  其实刚才讲的是两种注意力汇聚的方式，也就是说算一下查询值和键值之间的相似性，然后加权到y上。这里讲注意力汇聚的计算又进行了细化，通过softmax得到概率值之后再加权到值上，最终得到输出。注意力评分函数也就是研究怎么评判键值和查询值之间的相关性

加性注意力（additive attention）

 当查询和键是不同长度的矢量时(masked-softmax)，可以使用加性注意力作为评分函数
$$a(\mathbf{q},\mathbf{k})={\mathbf{w}}_v^{\top }\tanh ({\mathbf{W}}_q\mathbf{q}+{\mathbf{W}}_k\mathbf{k})\in \mathbb{R},$$
 将查询和键连结起来后输入到一个多层感知机（MLP）中， 感知机包含一个隐藏层，其隐藏单元数是一个超参数h,通过使用tanh作为激活函数，并且禁用偏置项

缩放点积注意力(scaled dot-product attention)

 点积操作要求查询和键具有相同的长度,假设查询和键的所有元素都是独立的随机变量， 并且都满足零均值和单位方差,其评价函数为
$$a(\mathbf{q},\mathbf{k})={\mathbf{q}}^{\top }\mathbf{k}/\sqrt{d}.$$

多头注意力

 多头也就是说，独立学习多组注意力结果，然后再汇聚起来，相当于说，增加多样性，从多个角度看问题

$${\mathbf{h}}_i=f({\mathbf{W}}_i^{(q)}\mathbf{q},{\mathbf{W}}_i^{(k)}\mathbf{k},{\mathbf{W}}_i^{(v)}\mathbf{v})\in {\mathbb{R}}^{p_v},$$
$${\mathbf{W}}_o\left[\begin{array}{c}{\mathbf{h}}_1\\ ⋮\\ {\mathbf{h}}_h\end{array}\right]\in {\mathbb{R}}^{p_o}.$$
 如上式所示，给定一组qkv 就可以得到一个注意力结果h，且每个qkv都由权重w来决定，最后在汇聚时，也要乘以权重w，这些权重都是可学习参数

自注意力和位置编码

 我觉得这事其实很简单，自注意力也就是说，q k v 均有x乘以权重得到，然后使用上述的注意力汇聚机制进行计算

Transformer

 Transformer其实就是在完全基于注意力机制的基础上，构建了一个编码器-解码器架构

 每层都使用了残差连接，这里使用的layer normalization(关于为什么不适用batch normalizetion(13分钟))，之后添加了一个FFN层，等价于两层核窗口为1的一维卷积层。之后编码器的输出作为解码器种多头注意力的V(值)和K(键)，而q呢，则是通过mask-attention逐个输入进来，mask机制让其只考虑要预测位置之前所有位置的特征值

VIT

 VIT证明了模型越大效果越好，成为了transformer在CV领域应用的里程碑著作，当拥有足够多的数据进行预训练的时候，ViT的表现就会超过CNN

 从上图可以看出，这个网络只有编码模块，并没有解码模块，通过多层编码之后，接一个MLP用于分类任务，作者只在论文中，证明了VIT可以在分类任务上，有很好的效果，对于分割、检测等其他任务，作者没有验证。

DETR

 将transformers运用到了object detection领域，并且取代了非极大值抑制、anchor generation

 作者首先通过CNN作为backbone 进行image embeding,然后再通过一个transformer 的encoder-decoder结构，之后通过FFN层预测目标位置，作者提出一张图中预测100个框，由于不做nms,作者采用的是匈牙利算法，进行最优匹配，每个true anchor都从这个100个预测结果中匹配到一个最优的预测，然后再进行后续损失的计算

MoCo

 这篇文章是基于对比学习机制，首先介绍一下对比学习

 $x_i$属于正样本，其余的都属于负样本，上面画的$x_i$通过$T_1$进行特征提取得到的是正样本，称为anchor,这里也作为q，通过$T_2$进行特征提取的作为$x_i$的一个正样本，因为正样本和负样本都是相对于anchor来说的，因此其余的负样本也应该经过$T_2$进行特征提取，作为k
 字典里面的K值都应该由相同或者相似的编码器得到，这里作者就提出了动量对比学习的概念。同时为了避免字典过大，作者讲数据结构中队列的思想应用进来，新的batch数据进来时，之前的数据就丢出去
 作者选用个体判别的方法作为代理任务去训练整个网络，然后再将其迁移到分类任务中

待梳理

Transformer从数学中解读 https://www.bilibili.com/video/BV1ea4y197dH/?spm_id_from=333.1007.tianma.1-1-1.click&vd_source=aabedda8f33d60215e3856e026901625
零基础多图详解图神经网络 https://www.bilibili.com/video/BV1iT4y1d7zP/?spm_id_from=333.999.0.0&vd_source=aabedda8f33d60215e3856e026901625
SWIN Transformer https://www.bilibili.com/video/BV13L4y1475U/?spm_id_from=333.999.0.0&vd_source=aabedda8f33d60215e3856e026901625
迁移学习 https://www.bilibili.com/video/BV1X8411f7q1/?spm_id_from=333.999.0.0&vd_source=aabedda8f33d60215e3856e026901625
RT-Detr https://www.bilibili.com/video/BV1Nb4y1F7k9/?spm_id_from=333.1007.tianma.1-1-1.click&vd_source=aabedda8f33d60215e3856e026901625
MAP评价函数
RESnest 分散注意力网络
Mamba
大核CNN

参考资料

• 动手深度学习 https://zh-v2.d2l.ai/chapter_attention-mechanisms/attention-cues.html