Transformer详解和知识点总结

论文：https://arxiv.org/abs/1706.03762
李沐B站视频：https://www.bilibili.com/video/BV1pu411o7BE/?spm_id_from=333.788&vd_source=21011151235423b801d3f3ae98b91e94
D2L: https://zh.d2l.ai/chapter_attention-mechanisms/index.html
知乎讲解：https://zhuanlan.zhihu.com/p/639123398

1. 注意力机制

注意力机制由三个重要组成部分：query, key, value, query和key通过注意力评分函数计算出注意力权重，用于对value进行加权平均，得到最后的输出，如下图所示：

举例:
如果：
key的维度为（m, k），表示有m个key，每个key的向量维度为k;
value的维度为（m，v）, 表示有m个value（key和value的个数一定相同），每个value的向量维度为v；
那么给定一个query的维度为（q）, 那么通过注意力评分函数W(query, key)将得到一个维度为（m）的权重向量， 这个权重向量与value相乘，就完成了每个特征的加权求和，得到的维度为（v）。
当然也可以一个求多个query的结果，比如query是（n,q）, 最后得到的结果维度就是(n, v);

1.1 注意力评分函数

常用的注意力评分函数有两种：加性注意力（Additive Attention）和 点积注意力 （Dot-Product Attention），Transformer这篇论文采用的是缩放点积注意力（Scaled Dot-Product Attention），就是在点积注意力的基础上加入一个缩放；

• 加性注意力
  当查询和键是不同长度的矢量时，可以使用加性注意力作为评分函数。
  

  先使用两个全连接层，将query和key统一到相同长度，然后将每一个query都和每一个键相加，再经过一个线性映射得到注意力权重

• 缩放点积注意力

  

  

• 为什么要缩放？

  1. 当dk的值比较小的时候，这两个机制的性能相差相近，当dk比较大时，加法attention比不带缩放的点积attention性能好。我们怀疑，维度dk很大时，点积结果也变得很大，那么某些向量中间的注意力分数将占绝对主导地位，将softmax函数推向具有极小梯度的区域。为了抵消这种影响，我们将点积缩小1/sqrt(dk)倍。
  2. 假设query和Key的所有元素都是独立的随机变量，并满足零均值和单位方差，那么两个向量点积的均值为0，方差为d（d为向量维度）。为保证点积的方差仍是1，那么就要将点积除以sqrt(d)

1.2 多头注意力（Multi-head self-attention）

• 类似于卷集中的多通道，可学习到不同模式

  1. 增加可学习的参数：本身缩放点积注意力是没什么参数可以学习的，就是计算点积、softmax、加权和而已。但是使用Multi-head attention之后，投影到低维的权重矩阵W_Q, W_K, W_V是可以学习的，而且有h=8次学习机会。
  2. 多语义匹配：使得模型可以在不同语义空间下学到不同的的语义表示，也扩展了模型关注不同位置的能力。类似卷积中多通道的感觉。例如,“小明养了一只猫,它特别调皮可爱,他非常喜欢它”。“猫”从指代的角度看,与“它”的匹配度最高,但从属性的角度看,与“调皮”“可爱”的匹配度最高。标准的 Attention 模型无法处理这种多语义的情况。
  3. 注意力结果互斥：自注意力结果需要经过softmax归一化,导致自注意力结果之间是互斥的,无法同时关注多个输人。 使用多组自注意力模型产生多组不同的注意力结果，则不同组注意力模型可能关注到不同的输入，从而增强模型的表达能力。

• 多头注意力对计算量没有影响

  多头注意力的每个头单独通过矩阵运算进行注意力计算，也可以合并成一次矩阵运算

2. Layer norm

从下面两幅示意图可以清楚的理解Layer norm以及其和Batch norm等normalization模块的区别；

下图截取自何凯明在MIT的演讲PPT：

下图截取自沐神B站视频，蓝色是BN，黄色是LN


可以这么理解，BN是针对每个特征，对所有的样本计算均值和方差；而LN是针对每个样本，对这个样本的所有特征计算均值和方差；

如果输入的shape为（B, C, H, W），那么BN的均值和方差的维度是（1，C, 1, 1）, 计算机视觉中的LN的均值和方差维度为（B， 1， 1， 1）， transformer中的均值和方差维度为（B，1, H, W），instance norm的均值和方差维度为（B， 1， 1， 1）， group norm 的均值和方差维度为（B， C/m, 1, 1）

• 为什么不使用batch norm?

  

为什么这里使用LN而不是BN？

• 计算变长序列时，每个Batch中的序列长度是不同的，如上图的蓝色示意图，这样在一个batch中做均值时，变长序列后面会pad 0，这些pad部分是没有意义的，这样进行特征维度做归一化缺少实际意义。
• 序列长度变化大时，计算出来的均值和方差抖动很大。
• 预测时使用训练时记录下来的全局均值和方差。如果预测时新样本特别长，超过训练时的长度，那么之前记录的均值和方差可能会不适用，预测会出现问题。

而Layer Normalization在每个序列内部进行归一化，不存在这些问题：

• NLP任务中一个序列的所有token都是同一语义空间，进行LN归一化有实际意义
• 因为实是在每个样本内做的，序列变长时相比BN，计算的数值更稳定。
• 不需要存一个全局的均值和方差，预测样本长度不影响最终结果。

3. 模型结构

大多数的机器翻译网络都是这种encoder-decoder架构

• Inputs 和 Outputs

  本篇文章做的是机器翻译任务，比如若是完成中译英问题，inputs则是中文句子，outputs是英文翻译结果；

  在翻译时采用的是auto-regressive，也就是网络在翻译当前词的时候不仅使用中文句子的信息，也会将已经翻译出来的英文单词的信息作为输入，提取其中的信息预测下一个词；

  At each step the model is auto-regressive [10], consuming the previously generated symbols as additional input when generating the next.

• Embedding

  将输入和输出的token转成具有d_model维度的向量；

  we use learned embeddings to convert the input
  tokens and output tokens to vectors of dimension d_model.

• 位置编码 Positional Encoding

  Attention计算时本身是不考虑位置信息的，这样序列顺序变化结果也是一样的。所以我们必须在序列中加入关于词符相对或者绝对位置的一些信息。

  为此，我们将“位置编码”添加到token embedding中。二者维度相同（例如d_model

  =512），所以可以相加。有多种位置编码可以选择，例如通过学习得到的位置编码和固定的位置编码。

  关于位置编码可学习：https://zh.d2l.ai/chapter_attention-mechanisms/self-attention-and-positional-encoding.html

• 编码器

  编码器由N=6个相同encoder层堆栈组成。如上图中所示，每个encoder层有两个子层：

  1. multi-head self-attention
  2. FFNN（前馈神经网络层，Feed Forward Neural Network），其实就是MLP，为了fancy一点，就把名字起的很长。

  每个子层的形式可以表达为：LayerNorm(x + Sublayer(x))，其中Sublayer(x)是当前子层的输出, 两个子层都使用残差连接(residual connection)，然后进行层归一化（layer normalization）。

  为了简单起见，模型中的所有子层以及嵌入层的向量维度都是d_model=512（如果输入输出维度不一样，残差连接就需要做投影，将其映射到统一维度）。（这和之前的CNN或MLP做法是不一样的，之前都会进行一些下采样）

  这种各层统一维度使得模型比较简单，只有N和d_model两个参数需要调。这个也影响到后面一系列网络，比如bert和GPT等等。

• 解码器

  解码器：解码器同样由 N=6个相同的decoder层堆栈组成，每个层有三个子层。

  1. Masked multi-head self-attention：解码器里，Self Attention 层只允许关注到输出序列中早于当前位置之前的单词。具体做法如下图所示：在 Self Attention 分数经过 Softmax 层之前，使用attention mask，屏蔽当前位置之后的那些位置。所以叫Masked multi-head self Attention。（对应masked位置使用一个很大的负数-inf，使得softmax之后其对应值为0）

     

  2. Encoder-Decoder Attention ：也就是解码器中的第二个MHA层，这一个MHA的query是解码器的上一输出，key和 value都来自编码器输出最终向量，用来帮解码器把注意力集中中输入序列的合适位置。

  3. FFNN：依然是MLP层

4. Attention在Transformer中三种形式的应用

• multi-head self attention：标准的多头自注意力层，用在encoder的第一个多头自注意力层。所有key，value和query来自同一个地方，即encoder中前一层的输出。在这种情况下，encoder中的每个位置都可以关注到encoder上一层的所有位置。
• masked-self-attention：用在decoder中，序列的每个位置只允许看到当前位置之前的所有位置，这是为了保持解码器的自回归特性，防止看到未来位置的信息
• encoder-decoder attention ：用于encoder block的第二个多头自注意力层。query来自前面的decoder层，而keys和values来自encoder的输出memory。这使得decoder中的每个位置都能关注到输入序列中的所有位置。