知识积累（五）：Transformer 家族的学习笔记

---

---

1. RNN

1.1 缺点

1）对于长序列，计算速度慢
2）梯度消失或梯度爆炸（由于链式法则来更新参数，随着计算长度的增加，越小的越小，梯度消失；越大的越大，梯度爆炸）
3）难以获得很长时间之前的信息

2. Transformer

2.1 组成

三部分：encoder + decoder + decoder上面的 linear 层

2.2 Encoder

2.2.1 Input Embedding（嵌入层）

1）嵌入流程
a）将输入进行 tokenizer ，
b）每个 token 映射到单词表中的 token-id
c）每个 id 对应的 embedding（vector size模型有关，传统 Transformer 是512，Bert 是 768）
Ps：token-id 是固定的。但是 Embedding 中的数字是不固定的，值随模型训练而改变

2.2.2 位置编码

1）什么是位置编码？
a）我们想要 word 带有一些它在句子中的位置信息
b）我们想要模型区分对待离得近的单词，和离得远的单词（因为离得近可能语义上更接近等等原因）
c）希望模型能够学到位置编码带来的 pattern

2）位置编码的特点
a）embedding + position embedding = encoder input
b）position embedding 只计算一次，然后在训练和测试期间使用

2.2.3 多头注意力

1）什么是 self-attention？（单头）
a）self-attention 允许模型将单词关联起来
如上图 Q * KT 所示，Q 和 K 维度和单词的嵌入矩阵相同（也就是前面 embedding + position embedding）。
Ps：注意只是维度相同，Q K V 矩阵里面的参数应该是随机初始化的。
所以图中红色框的矩阵第一行中每个元素的含义可以看作单词 “your” 与其他单词之间的关系强弱。
b）再乘以 V 之后得到的矩阵，每个向量嵌入里面包含：语义嵌入、位置信息、与其他单词的交互（下图）

2）self-attention 的一些细节
a）具有排列不变性
eg：输入序列 ABCD 或者序列 ACBD。
其中 BC 的位置交换了，但是最终得到的 B 和 C 的嵌入向量也对应位置交换，向量值是不变的。
b）前面举例的 self-attention 不需要参数。截止到现在的笔记，单词之间的交互只由他们的 embedding 和 position embedding 驱动，后面的笔记会发生改变。
c）Q 和 K 相乘得到的矩阵对角线的值应该是最大的
d）如果我们不想让某些位置交互，可以在使用 softmax 之前，将他们两者对应的值设为 -∞，那么经过 softmax 之后那里的值就变成了0。decoder 中可以使用（eg：想取消“your” 和 “cat” 的交互，就将第一行第二列设置为 0）

3）多头注意力


1）如下图所示，最初的 Q、K、V 就是经过positional encoding 的输入，也就是图中蓝色 input 的 copy。分别乘以不同的参数矩阵后，才变成不同的东西
2）其中，注意力头的个数是 h。每个注意力头对应的矩阵（seq，dv），这里dv = dmodel / h。（其中dmodel就是模型vector size）
3）不同头对应的现实含义即，不同的头可能会捕获某个单词的不同含义，不如图中单词图中，某个单词指向了很多的词，那该单词会有多种词义，这些不同的词义就是由不同的注意力头来捕获的

为什么这三个矩阵被称作 Q、K、V？

eg：以 python 字典的视角来看，图中的 query、keys 和 values 都是被表示成向量。通过 q 与 k 的运算，实际上是找与 “love” 这种类型的电影最相似的电影，最终 “romantic” 可能是最相似的。

2.2.4 Add & Norm

1）什么是 layer normalization？
对于一个batch中的所有item进行独立的归一化，利用均值和方差公式

2.3 Decoder

2.3.1 概览

1）首先 output embedding 和 positional encoding，与输入的时候类似
2）经过 masked multi-head attention （这里是decoder的self-attention）得到的是下一次multi-head attention的query
3）encoder 输出以 keys 和 values 的方式传入multi-head attention，querys是decoder。（这里是encoder 和 decoder 的cross-attention）

2.3.2 Masked multi-head attention

1）使用 masked 的意思是说，在输出的时候，一个词只能根据前面的词输出，而不能看到后面的词
2）也就是图中对角线上方的元素在softmax之前全为-无穷
3）而获取这个矩阵是Q 和 K 的运算来得到的
4）所以只能使用 decoder 的 query 矩阵，而用 encoder 的 key 矩阵

2.4 Transformer 模型的训练和推理

以翻译任务为例

2.4.1 训练

1）encoder输入：<sos> i love you very much <eos>
2）decoder输入：<sos> ti amo molto
decoder输出：ti amo molto <eos>
Ps：由于这种 masked 机制，所以可以一次性输入，输出的 ti 是根据\<sos>获得，输出的 amo 是根据\<sos> ti 获得，以此类推
PPs：当然，除了上面的单词输入，decoder 需要补全 token 来补充其模型需要的输入长度

2.4.2 推理

1）第一步：输入 <sos>，输出 ti
（需要进行 encoder 和 decoder 的计算）
2）第二步：输入<sos> it，输出 amo
（因为encoder不变，所以不用计算encoder，只计算decoder）
3）第三步：输入<sos> it amo ，输出 molto
（因为encoder不变，所以不用计算encoder，只计算decoder）
4）第四步：输入<sos> it amo molto，输出 <eos>
（因为encoder不变，所以不用计算encoder，只计算decoder）

推理策略
通常使用 beam search，而不是贪婪搜索

2.4.3 与 RNN 相比的优势

RNN对于长序列时间长，而 Transformer 的所有的输入都是在同一时间输入完成的，使得训练长序列变得简单和快速。

3. 复习

3.1 Language model

什么是语言模型 language model ？
语言模型是一个概率模型，预测一个 word 出现的概率。
eg：china 这个 word 出现在 shanghai is a city in 后面的概率。

3.1.1 训练

3.1.2 推理

Ps：感觉应该是生成式模型
  输入[SOS]，输出 Before
  接着输入 Before ，输出 my
  ······，以此类推
  最后输入 bright，输出 [EOS]

3.2 Transformer 架构（Encoder）

3.2.1 嵌入向量

为什么使用向量来表示 word ？
1）希望具有相近含义的 word 在向量空间中更接近
2）这里的接近使用余弦相似度来衡量，或者是点积（dot product）

（不同模型用到的 tokenizer：
LLama 使用 Byte-Pair Encoding tokenization
Bert 使用 WordPiece tokenization）

3.2.2 位置编码

3.2.3 自注意力和 causal mask

Self-attention（自注意力）
1）所以这里的 query、key、value，都是 encoder 输入矩阵的 copy 版本
Ps：翻译任务中会用到 cross-attention
2）causal mask 使得 word 只能 “看到” 出现在它之前的 word
3）而 Bert 能够看到前后的 context

因为 token 只能看到它之前的 token
所以 QK转置 * V 的时候，第一个 token [SOS] 只能与 V 矩阵的第一行相乘（因为后面的元素全是0）
也就是 [SOS] 只有与自己 interaction
后面以此类推，Before 只能与 [SOS] 和 Before interaction

4 BERT

1）允许的最大 input token 数量是 512，但是 token 的嵌入维度（base768，large1024）
2）positional embedding 是训练期间习得的


1）bert 不能处理带有 prompt 的任务
2）bert 使用 left 和 right context 进行训练
3）bert 不能文本生成
4）bert 没有经过 next token预测（生成任务），但是经过了 masked language model 和 next sentence prediction

Bert 和 生成模型 使用方式的不同：
1）生成模型通过“上下文” + 提示工程
2）Bert 通过预训练 + 具体任务fine tune

4.1 左右 context 的重要性

4.2 BERT 预训练

4.2.1 Masked Language Model task

MLM 任务细节： 1）随机挑选一个 token，80% 概率用 [MASK] 替换，10% 概率用随机 token 替换，10% 概率不变

4.2.2 Next Sentence Prediction task

NSP 任务细节：
1）给定句子 A 和 B，判断 B 是不是 A 的下一句话
2）除了传统的 token embedding + positional embedding，还有 segment embedding（表征 token 属于哪个句子）
3）NSP 是一个分类任务，CLS 的输出进行二分类 IsNext or NotNext
4）CLS token 通过Q*K转置，可以看作捕获了所有 token 的信息

4.3 BERT 微调

4.3.1 文本分类任务

和上面的 NSP 任务类似，就是分类

4.3.2 问答任务

任务设定：给定 context + question，输出 answer
1）Bert 需要知道输入里面哪一部分是 context，哪一部分是 question
2）Bert 需要给出 answer 的开始和结束 token：线性层输出两个（起始token和结束token），然后计算损失
解决办法，分别看下面两图