科普 | 哇哦！AI界也有“变形金刚”！

编者按：

谈到Transformer，你或许会想起《变形金刚》里随意切换形态的炫酷汽车人。

其实，人工智能领域也有著名的Transformer，它在机器翻译任务上的表现异常出色。

2017年谷歌在arxiv发表了论文《Attention Is All You Need》，摒弃RNN和CNN等网络结构，而仅仅使用Attention机制来处理序列模型相关的问题，比如机器翻译。基于Attention的Transformer模型不但提高了翻译性能也提升了效率。因此，注意力机制和Transformer模型成为了大家近期的研究热点。

Attention机制和Transformer模型的优越性到底表现在哪里？

本文带你认识这位有超强“战斗力“的”“变形金刚”，看看它是如何高效处理NLP(Natural Language Processing)领域的任务。

Transformer是什么？

一句话来讲，就是完全利用Attention机制来解决自然语言翻译问题。

当然这说了跟没说一样，Attention机制也许大家知道，但Attention何德何能，能干掉良好运行多年的RNN/LSTM呢？也许我们可以通过内窥Transformer的架构来解释这个问题。

1.Transformer的结构

先来看结构，Transformer总体分为encoder和decoder部分，每块各有多个层。

encoder里的每层有self attention和feed forward两层。其中encoder输入是n个词向量，n是输入最长的句子里单词数量。

decoder的输出则是类似传统的seq2seq结构，是一个一个目标语言的单词。

2.Self Attention

‍‍

Self Attention究竟什么意思？

很简单，Self Attention假设：一个句子中每个单词的含义，都部分取决于该句子里其他词。

这听着像是废话，但如果我们想用词向量来表示一个词，那很直观我们可以得出，一个句子中的一个词向量，他的计算是依赖于该句子的其他词向量的。

那具体怎么计算每个词向量呢？

这个计算过程就是Self Attention Encoding的目的，即，将句子中每个原始词向量按照Attention加权相加，求出新的词向量。

3.Attention加权相加

Attention加权相加又是什么意思？句子里每个词（包括目标词自己）都对目标词有一个Attention（这是个标量，即权重a），同时每个词都有自己的一个词向量表示（这个向量我们用V表示）。

每个V是靠着这个简单的word embedding过程得来的。那么每个a怎么来的？

因为这个a是表示当前Attention的词对目标词权重，那很直观的，这个a值应该只凭当前词和目标词关系算出来。

怎么算呢？我们假设目标词本身有个向量（即下图中的q），而句子中每个词有个专门用来算别的词的向量（即下图中的k），这俩都是word embedding得到的。

它俩（q和k）一乘，就得到当前词对目标词的权重a（即下图中的q x k，它是一个向量，不同的值对应不同颜色的竖线，蓝色表示整数，蓝色越深则值越大，橘色表示复数，颜色越深则值越小）。

得到了所有词对目标词的权重之后，还有个问题，这些权重加起来应该等于1。于是我们在权重计算之后套一个softmax，解决问题。

4.Multi-heading

那什么是multi-heading？

multi-heading就是同样这个取新词向量Z的事儿，咱们干8遍，得到Z1 ~ Z8。

得到这8个值之后，将每个词的所有Z连在一起，粘成一个巨大的词向量。这个词向量作为后续feed forward层的输入。可以说是相当简单粗暴了。

5.Position Encoding

咱们刚才聊了这么多，有个问题一直忽略了——这个模型只知道词和词之间的影响力，但它根本没考虑这些词的顺序。顺序多么重要，怎么可能不在考虑范围内！

Transformer解决的方法也是很直白，你不是不知道位置信息吗？

好，我给你每个词都加上一个位置信息。这就是Position Encoding！

注意，这个加是在原有词向量上叠加一个同维度表示位置的向量，不是粘在后边。

这个位置向量怎么生成？

论文里写了算法，这里不展开，感兴趣同学可以去看。关于这个方法的直观理解是什么呢？文章里这句话有意思了，大家仔细读读：

The intuition here is that adding these values to the embeddings provides meaningful distances between the embedding vectors once they’re projected into Q/K/V vectors and during dot-product attention.

什么意思呢？

就是说原本在高维空间里，词向量之间都是以原点为起点的向量，现在通过这种方法，让词向量之间产生了距离。

也就是，一句话里的各个词向量通过这种方法，实际上组成了一个高维的像蛇一样的线段，而这条高维空间的“蛇”就表示这句话本身。

是不是挺有创意的？

END