10分钟入门transformer

理解本文需要以下基础知识

• 前向神经网络
• attention
• encoder-decoder
• sequence to sequence learning

背景介绍

基于RNN的神经网络在自然语言处理领域一直处于领先地位。RNN衍生的两个方法LSTM和GRU很好的解决了梯度消失的问题，因此基于RNN的神经网络成为sequence to sequence learning的优先选择。

Ilya Sutskever[6]等人在2014年将encoder-decoder用于机器翻译。先用一个LSTM模型编码输入的序列的信息，再用一个LSTM输出另一个序列。如图
但是，通过encoder得到是一个固定长度的向量，当句子较长时，RNN结构无法关注到距离较远的信息。Bahdanau等人[7]在2016提供了attention结构用于关注句子中的重点信息。

无论是encoder-decoder还是attention都基于RNN的网络结构作出的改进，而RNN迭代式计算的效率不高，很难充分利用GPU的进行并行计算。

因此，一些学者打算抛弃RNN结构。Facebook AI 团队在2017年采用CNN卷积核的网络结构[8]，把句子通过卷积核提取信息，在底层CNN覆盖的语义范围小，而越到高层，覆盖的语义环境会越大[9]。如下图
虽然CNN结构可以并行化，但是依然无法解决长距离依赖的问题。同年，google brain发表了论文《Attention Is All You Need》，完全使用attention进行训练。提出的self-attention结构充分考虑了句子所有词的关系，更好地编码序列中的数据。

文中提出的transformer结构如下图。一眼看过去是不是有点晕，没事，我们接下来按照数据流向解析一下这张图

Transformer结构解析

第一部分：Embedding

Input Embedding

input embedding和word embedding 方式一样。可以选择pretrained 的embedding比如fasttext, word2vec，或者直接初始化一个embedding matrix，在模型中训练参数。

Position Encoding（划重点）

transformer不像RNN结构保留了序列中的相对位置信息。因此使用position encoding来记录序列的位置信息。这里用的是sine and cosine函数（见公式）表示position encoding。作者认为 $PE(pos+k)$ 和$PE(pos)$ 线性相关，因此用三角函数能够表示这种关系（我也不知道为啥，大家可以看看https://kazemnejad.com/blog/transformer_architecture_positional_encoding/）

$P{E}_{(pos,2i)}=sin(pos/10000^{2i/d_{m}odel})$

$P{E}_{(pos,2i+1)}=cos(pos/10000^{2i/d_{m}odel})$

第二部分：Encoder

Encoder (见下图)叠加了6层相同的layer， 每个layer有两个sublayer，一个sublayer是multi-head self-attention, 一个sublayer是position-wise feed forward neural network。在每个sublayer后面，采用了residual learning 和 layer normalization计算输出，输出为LayerNorm(x + sublayer(x))。residual learning是由Kaiming He[1]等人提出的，用于解决CNN层数过多导致的训练误差增大，模型性能下降的问题。residual learning 的表现形式之一： y = f ( x ) + x y = f(x)