神经网络算法: 一文搞懂 Transformer

本文将从 Transformer 的本质、Transformer 的原理、Transformer 架构改进三个方面，带您一文搞懂 Transformer。

一、Transformer的本质

Transformer架构：主要由输入部分（输入输出嵌入与位置编码）、多层编码器、多层解码器以及输出部分（输出线性层与Softmax）四大部分组成。

Transformer架构

• 输入部分：

  • 源文本嵌入层： 将源文本中的词汇数字表示转换为向量表示，捕捉词汇间的关系。

  • 位置编码器： 为输入序列的每个位置生成位置向量，以便模型能够理解序列中的位置信息。

  • 目标文本嵌入层（在解码器中使用）：将目标文本中的词汇数字表示转换为向量表示。

• 编码器部分：

  • 由N个编码器层堆叠而成。

  • 每个编码器层由两个子层连接结构组成：第一个子层是一个多头自注意力子层，第二个子层是一个前馈全连接子层。每个子层后都接有一个规范化层和一个残差连接。

• 解码器部分：

  • 由N个解码器层堆叠而成。

  • 每个解码器层由三个子层连接结构组成：第一个子层是一个带掩码的多头自注意力子层，第二个子层是一个多头注意力子层（编码器到解码器），第三个子层是一个前馈全连接子层。每个子层后都接有一个规范化层和一个残差连接。

• 输出部分：

  • 线性层： 将解码器输出的向量转换为最终的输出维度。

  • Softmax层： 将线性层的输出转换为概率分布，以便进行最终的预测。

Encoder-Decoder（编码器-解码器）：左边是N个编码器，右边是N个解码器，Transformer中的N为6。

Encoder-Decoder（编码器-解码器）

• Encoder编码器

  • Transformer中的编码器部分一共6个相同的编码器层组成。

  • 每个编码器层都有两个子层，即多头自注意力层(Multi-Head Attention)层和逐位置的前馈神经网络(Position-wise Feed-Forward Network)。 在每个子层后面都有残差连接（图中的虚线）和层归一化（LayerNorm）操作，二者合起来称为Add&Norm操作。
    

Encoder（编码器）架构

• Decoder解码器

  • Transformer中的解码器部分同样一共6个相同的解码器层组成。

  • 每个解码器层都有三个子层，掩蔽自注意力层(Masked Self-Attention)、Encoder-Decoder注意力层、逐位置的前馈神经网络。 同样，在每个子层后面都有残差连接（图中的虚线）和层归一化（LayerNorm）操作，二者合起来称为Add&Norm操作。

Decoder（解码器）架构

二、Transformer的原理

Transformer 工作原理

Multi-Head Attention（多头注意力）：它允许模型同时关注来自不同位置的信息。通过分割原始的输入向量到多个头（head），每个头都能独立地学习不同的注意力权重，从而增强模型对输入序列中不同部分的关注能力。

Multi-Head Attention（多头注意力）

1. 输入线性变换：对于输入的Query（查询）、Key（键）和Value（值）向量，首先通过线性变换将它们映射到不同的子空间。这些线性变换的参数是模型需要学习的。

2. 分割多头：经过线性变换后，Query、Key和Value向量被分割成多个头。每个头都会独立地进行注意力计算。

3. 缩放点积注意力：在每个头内部，使用缩放点积注意力来计算Query和Key之间的注意力分数。这个分数决定了在生成输出时，模型应该关注Value向量的部分。

4. 注意力权重应用：将计算出的注意力权重应用于Value向量，得到加权的中间输出。这个过程可以理解为根据注意力权重对输入信息进行筛选和聚焦。

5. 拼接和线性变换：将所有头的加权输出拼接在一起，然后通过一个线性变换得到最终的Multi-Head Attention输出。

Scaled Dot-Product Attention（缩放点积注意力）：它是Transformer模型中多头注意力机制的一个关键组成部分。

Scaled Dot-Product Attention（缩放点积注意力）

• Query、Key和Value矩阵：

  • Query矩阵（Q）：表示当前的关注点或信息需求，用于与Key矩阵进行匹配。

  • Key矩阵（K）：包含输入序列中各个位置的标识信息，用于被Query矩阵查询匹配。

  • Value矩阵（V）：存储了与Key矩阵相对应的实际值或信息内容，当Query与某个Key匹配时，相应的Value将被用来计算输出。

• 点积计算：

  • 通过计算Query矩阵和Key矩阵之间的点积（即对应元素相乘后求和），来衡量Query与每个Key之间的相似度或匹配程度。

• 缩放因子：

  • 由于点积操作的结果可能非常大，尤其是在输入维度较高的情况下，这可能导致softmax函数在计算注意力权重时进入饱和区。为了避免这个问题，缩放点积注意力引入了一个缩放因子，通常是输入维度的平方根。点积结果除以这个缩放因子，可以使得softmax函数的输入保持在一个合理的范围内。

• Softmax函数：

  • 将缩放后的点积结果输入到softmax函数中，计算每个Key相对于Query的注意力权重。Softmax函数将原始得分转换为概率分布，使得所有Key的注意力权重之和为1。

• 加权求和：

  • 使用计算出的注意力权重对Value矩阵进行加权求和，得到最终的输出。这个过程根据注意力权重的大小，将更多的关注放在与Query更匹配的Value上。

三、Transformer架构改进

BERT 是一种基于 Transformer 的预训练语言模型，它的最大创新之处在于引入了双向Transformer编码器，这使得模型可以同时考虑输入序列的前后上下文信息。

BERT架构

1. 输入层（Embedding）：

   • Token Embeddings：将单词或子词转换为固定维度的向量。

   • Segment Embeddings：用于区分句子对中的不同句子。

   • Position Embeddings：由于Transformer模型本身不具备处理序列顺序的能力，所以需要加入位置嵌入来提供序列中单词的位置信息。

2. 编码层（Transformer Encoder）：BERT模型使用双向Transformer编码器进行编码。

3. 输出层（Pre-trained Task-specific Layers）：

   • MLM输出层：用于预测被掩码（masked）的单词。在训练阶段，模型会随机遮盖输入序列中的部分单词，并尝试根据上下文预测这些单词。

   • NSP输出层：用于判断两个句子是否为连续的句子对。在训练阶段，模型会接收成对的句子作为输入，并尝试预测第二个句子是否是第一个句子的后续句子。

GPT 也是一种基于 Transformer 的预训练语言模型，它的最大创新之处在于使用了单向Transformer编码器，这使得模型可以更好地捕捉输入序列的上下文信息。

GPT架构

1. 输入层（Input Embedding）：

   • 将输入的单词或符号转换为固定维度的向量表示。

   • 可以包括词嵌入、位置嵌入等，以提供单词的语义信息和位置信息。

2. 编码层（Transformer Encoder）：GPT模型使用单向Transformer编码器进行编码和生成。

3. 输出层（Output Linear and Softmax）：

   • 线性输出层将最后一个Transformer Decoder Block的输出转换为词汇表大小的向量。

   • Softmax函数将输出向量转换为概率分布，以便进行词汇选择或生成下一个单词。