原文作者:Ashish Vaswani,Noam Shazeer,Niki Parmar,Jakob Uszkoreit
原文标题:Attention is all you need
原文来源:NIPS 2017
原文链接:https://papers.nips.cc/paper/2017/file/3f5ee243547dee91fbd053c1c4a845aa-Paper.pdf
Attention is all you need
主流序列转导模型基于复杂的CNN或RNN,包括编码器和解码器。有的模型使用注意力机制连接编码器和解码器,达到了最优性能。本文提出了一个仅基于注意力机制的网络架构,Transformer。实验表明,该模型需要的训练时间明显减少,性能更好。
模型架构
文中使用了经典的encoder-decoder架构。Encoder将输入序列转化成一个固定维度的稠密向量。decoder将之前生成的固定向量再转化成输出序列。
encoder
文中的encoder由n个相同层组成。每层有两个子层:第一个子层是一个多头自注意力机制,第二子层是一个简单的位置全连接前馈网络。另外在每个子层间使用残差连接,然后进行层归一化。每个子层的输出为
LayerNorm ( x + Sublayer ( x ) ) \text{LayerNorm}(x + \text{Sublayer}(x)) LayerNorm(x+Sublayer(x))
模型中的所有子层,包括嵌入层的维度为512。
decoder
Decoder同样由n个相同层组成。除了encoder中的两个子层外,decoder还增加了一个子层:对encoder层的输出执行多头注意力。另外对自注意力子层进行修改(Mask),防止某个position受后续的position的影响。确保位置i的预测只依赖于小于i的位置的已知输出。
Attention机制
注意力函数将query(Q)和一组键值对(K、V)映射为输出,Q、K、V都是向量。对V进行加权求和得到输出,每个V的权值通过Q和K的相似度得到。
如图2所示为本文提出的attention机制。输入为 d k d_{k} dk维的Q和K, d v d_{v} dv维的V。计算Q和K的点积,除以 d k \sqrt{d_{k}} dk,再使用一个softmax得到V的权重。
Attention ( Q , K , V ) = softmax ( Q K T d k ) V \text{Attention}(Q,K,V) = \text{softmax}\left( \frac{QK^{T}}{\sqrt{d_{k}}} \right)V Attention(Q,K,V)=softmax(dkQKT)V
值得注意的是本文中的注意力函数有一个缩放因子 1 d k \frac{1}{\sqrt{d_{k}}} dk1。文中提到,最常见的注意力函数有两种,一种是additive,一种就是上述的点积。Additive attention使用前馈网络来作为兼容性函数得到V的权重。当 d k d_{k} dk比较小时,两种注意力机制的表现差不多,随着 d k d_{k} dk的增大,additive注意力比点积注意力表现要好。由于点积可以使用高度优化的矩阵乘法代码来实现,因此更快,空间效率更高,这也是作者选择点积的原因。作者认为,当 d k d_{k} d