[模型学习]Transformer机制及其过程

1. Transformer的基本结构

Transformer模型结构

与seq2seq模型类似，Transformer是一种编码器-解码器结构的模型

2. Transformer的过程——编码器(Encoder)

Encoder步骤1

对于encoder，第一步是将所有的输入词语进行Embedding，然后将其与维度相同的位置向量组合(相加)

Encoder步骤2

在第二步中，将第一步得到的向量通过self-attention层，得到输出向量。在得到输出向量后，我们可以看到，在self-attention层后还包含着一个残差网络与LayerNorm操作。

这里残差网络的原理我们不做细致讨论。从实际操作的角度来看，其就是将自注意力层处理后的向量加上自注意力层处理前的向量：也就是H(x)=F(x)+x，H(x)是残差网络的结果，F(x)代表是自注意力机制。

LayerNorm的操作

以上展示的是LayerNorm的操作。

在经过该步骤后，便是非常常规的操作：

Encoder步骤3

将LayerNorm输出的向量，经过全连接层，然后再经过一个残差网络以及LayerNorm，便可得到一个Encoder的输出。

3. Transformer的过程——解码器(Decoder)

解码器整体流程1

在详细讨论Decoder前，我们需要注意到，Transformer的解码器是一个自回归的机制，也就是说，解码器的输出会作为其下一个输入。

解码器整体流程2

由于解码器所用知识与编码器类似，如Embedding，位置编码，再次不做赘述。

如上图，整体来看，在解码器通过开始符号<bos>以及其预测出来的“永不”后，经过一些操作，预测出“言”，以此类推，在下一个阶段，就是通过“<bos>永不言”来预测下一个输出。

在这个过程中，解码器使用了Masked Self-attention，下面来进行解释。

解码器步骤1

对于乱码部分的注意力分数，我们设置为一个非常小的数，使得其e指数接近0，设置后再计算注意力分数，得到以及预测出来部分之间的相互注意力得分。

解码器步骤2

得到注意力得分后，与编码器类似，计算向量y。

解码器步骤3

得到向量y后，与编码器类似，使用残差网络，并计算LayerNorm。

解码器步骤4

在此之上，与编码器不同的是，我们使用输出的向量，与编码器的输出向量计算一个Cross-Attention，下面我们解释Cross-Attention的含义。

解码器步骤5——Cross-attention

这里可以看出，cross-attention是将上一步中，解码器Add&Norm的输出向量，乘以Wq矩阵，得到q(query)向量，再和编码器最后一层的输出向量的k向量做内积得到注意力分数，再与编码器最后一层的输出向量的v向量相乘得到y向量，也就是cross-attention的输出。

截至到这里，所有的复杂问题基本全部结束了，后面的内容都是相关知识点的重复。

Transformer整体结构

最后，简要提及一下Decoder部分的Softmax层。

Softmax层的输出是一系列概率向量，再经过如argmax函数的处理，可以得到类似于one-hot的编码向量，从而得到最终的预测结果，再依次类推，自回归，翻译完全文。

以上就是Transformer的全部内容。

在此特别感谢b站的up主：【Attention、Transformer公式推导和矩阵变化】 https://www.bilibili.com/video/BV1q3411U7Hi/?share_source=copy_web&vd_source=54a003f2fe57290ef9f347426cdb53c9

【Transformer论文逐段精读【论文精读】】 https://www.bilibili.com/video/BV1pu411o7BE/?share_source=copy_web&vd_source=54a003f2fe57290ef9f347426cdb53c9