AI学习记录 - transformers的decoder和encoder中的自注意力矩阵和掩码矩阵的数据处理

掩码掩码，指的是掩盖住后面的词汇的词向量对我当前词汇造成影响。把PAD字符设置成负无穷大，概念上不叫掩码，只是计算方式和掩码一样。

怎么生成掩码，在非掩码注意力矩阵中，把PAD词向量每个维度设置成负无穷大，或者设置掩码矩阵为负无穷大，矩阵乘法的效果是一样的。

在实际计算的过程中，掩码不仅仅只是生成一半就可以了，我都知道GPT其实有限制token长度这一说法，假如限制50个token，我们最后生成的注意力矩阵就是长宽都是50个，但是当我们的句子不够50的时候，剩下的位置需要用指定字符去填充。

如下图：第一个矩阵的意思是一半做掩码防止后面词语对当前词汇的影响，第二个矩阵是对 填充字符 做掩码，因为填充字符的语义我们也是要求为对句子的影响为0，两个矩阵叠加得到第三个矩阵。（注：下图是叉为负无穷大）

举个例子，构造好掩码矩阵之后，跟右边的词向量句子做矩阵乘法，根据上一章节，可以看到 PAD填充符 对句子影响为负无穷大，达到我们的要求：无关字符对句子影响为0。（注：下图是叉为负无穷大）

预测阶段注意力矩阵的计算 encoder 阶段，没有掩码（注：下图是叉为负无穷大）

传递个decoder的词向量矩阵，最右侧的词向量矩阵当中，最底下的PAD词向量的每一个维度都是负无穷大

decoder 阶段，，有两个注意力矩阵，一个有掩码，一个没有掩码（注：下图是叉为负无穷大）

有掩码，

上面有个极其重点的内容，经过上面的一次矩阵运算，其实我已经进行了一个序列的不同长度的训练
就是下面这种计算方式，已经帮助我同时训练了 =（下面有新的解释）
输入：START, 输出 g
输入：START g, 输出 f
输入：START g f, 输出 h
输入：START g f h, 输出 PAD~~
我不用像传统训练方式一样构造上面这种数据。
试验：当我进行预测输入START的时候，掩码矩阵是动态生成的，由于其他都是负无穷大，只有第一行有数字，其他的权重不会对START造成影响。我在训练的时候，第一行权重除了第一个是数字，其他都是负无穷大，矩阵乘法的到这这行的权重和词向量每一行相乘，虽然预测阶段和训练阶段计算方式有略微区别，但是这种恰当的巧合使得我不用特意去构造训练数据，这是一个计算巧合，这种掩码机制恰好帮我训练了这么多数据，巧合巧合巧合巧合巧合巧合巧合巧合巧合巧合巧合巧合，如下：

因为上图表达不充分，继续将上图改进，下图描述为，在最后一层映射词汇表层，只使用最后一个词汇进行预测。原因是在预测阶段预测下一个 token的时候，只会取 dec_outputs 中最后一个位置（即 g 符号，但是这个g是被START叠加过的） 来预测下一个 token。下面有个浅绿色的框，假设是映射词汇层。
上面数据集那里错了，其实是下面这个样子，训练阶段和预测阶段都是如此，用的是最后一个词：
输入：START, 输出 g
输入：g, 输出 f
输入：f, 输出 h
输入：h, 输出 PAD

上面走完之后，就到了没有掩码的注意力矩阵阶段，就是decoder和encoder结合的自注意力矩阵，这个矩阵的意思是a，b，c词分对 START 的影响程度， 对 g 的影响程度，对 f 的影响程度，对 h 的影响程度，将这些影响程度叠加在原来的 START,g,f,h上。