Transfomer-学习笔记

1、注意力机制

知乎学习链接：1、目前主流的attention方法都有哪些？

知乎学习链接：2、详解Transfomer

Transfomer的github代码

B站学习视频该博主的github

• 注意力机制计算公式：

• 结合淘宝搜索实例，理解注意力机制的公式含义

我们认为，对于较大的dk值，点积的大小会变大，从而将softmax函数推入具有极小梯度的区域（训练就很慢了），为了抵消这个影响，我们将点乘积乘以

• 对应的矩阵运算

• 相似性得分如下：

• 经过softmax后，

• 代码部分

import torch
import torch.nn as nn
import torch.nn.functional as F

__author__ = "Yu-Hsiang Huang"

class ScaledDotProductAttention(nn.Module):
    ''' Scaled Dot-Product Attention '''

    def __init__(self, temperature, attn_dropout=0.1):
        super().__init__()
        self.temperature = temperature
        self.dropout = nn.Dropout(attn_dropout)

    def forward(self, q, k, v, mask=None):

        attn = torch.matmul(q / self.temperature, k.transpose(2, 3))

        if mask is not None:
            attn = attn.masked_fill(mask == 0, -1e9)

        attn = self.dropout(F.softmax(attn, dim=-1))
        output = torch.matmul(attn, v)

        return output, attn

2、自注意力机制

• 抽象的文本处理领域的Encoder-Decoder

• 没有用注意力情况

• 用注意力的情况

• 注意力机制的QKV情况

• 自注意力机制的QKV情况

自注意力机制的QKV全部在一边，要么在Source，要么在Target
作用：查找一句话的内部关系，比如下图中its与Law和application的关系

3、多头注意力机制

学习视频：多头注意力机制

（1）、多头注意力机制是什么，有什么用，具体运算过程

• 多头注意力机制是什么

多头注意力机制就是对注意力机制的简单堆叠

将单组的QKV拆成多组的QKV

• 多头注意力机制的作用

联想：卷积提取图片特征时一般使用多个卷积核来提取图片的不同特征

在不同的参数空间去找最优参数

• 多头注意力机制具体实现

Transfomer学习链接1
Transfomer学习链接2

（2）、多头注意力机制的代码实现，结合实例的数据变化

手把手教你用Pytorch代码实现Transformer模型（超详细的代码解读）


上图中，超过5的部分被截取掉，不足5的部分使用P进行填充，填充的P在注意力机制当中是没有意义的。

• MultiHeadAttention

上图中，1表示batchsize为1，5表示输入的5个单词，4表示每个单词用1*4的向量表示。

• QKV拆成多头的操作：

将4拆成2*2，再将n_heads=2放到前面位置去。同理KV的操作。

• ScaledDotProductAttention

• 多头注意力机制的代码部分

class MultiHeadAttention(nn.Module):
    ''' Multi-Head Attention module '''

    def __init__(self, n_head, d_model, d_k, d_v, dropout=0.1):
        super().__init__()

        self.n_head = n_head
        self.d_k = d_k
        self.d_v = d_v

        self.w_qs = nn.Linear(d_model, n_head * d_k, bias=False)
        self.w_ks = nn.Linear(d_model, n_head * d_k, bias=False)
        self.w_vs = nn.Linear(d_model, n_head * d_v, bias=False)
        self.fc = nn.Linear(n_head * d_v, d_model, bias=False)

        self.attention = ScaledDotProductAttention(temperature=d_k ** 0.5)

        self.dropout = nn.Dropout(dropout)
        self.layer_norm = nn.LayerNorm(d_model, eps=1e-6)


    def forward(self, q, k, v, mask=None):

        d_k, d_v, n_head = self.d_k, self.d_v, self.n_head
        sz_b, len_q, len_k, len_v = q.size(0), q.size(1), k.size(1), v.size(1)

        residual = q

        # Pass through the pre-attention projection: b x lq x (n*dv)
        # Separate different heads: b x lq x n x dv
        q = self.w_qs(q).view(sz_b, len_q, n_head, d_k)
        k = self.w_ks(k).view(sz_b, len_k, n_head, d_k)
        v = self.w_vs(v).view(sz_b, len_v, n_head, d_v)

        # Transpose for attention dot product: b x n x lq x dv
        q, k, v = q.transpose(1, 2), k.transpose(1, 2), v.transpose(1, 2)

        if mask is not None:
            mask = mask.unsqueeze(1)   # For head axis broadcasting.

        q, attn = self.attention(q, k, v, mask=mask)

        # Transpose to move the head dimension back: b x lq x n x dv
        # Combine the last two dimensions to concatenate all the heads together: b x lq x (n*dv)
        q = q.transpose(1, 2).contiguous().view(sz_b, len_q, -1)
        q = self.dropout(self.fc(q))
        q += residual

        q = self.layer_norm(q)

        return q, attn

4、Transfomer

（1）transformer框架流程完全等于年会发奖品流程

上述场景等同于Transformer右边部分。其左边部分等同的生活场景如下：

transformer中的加位置编码

多头注意力层即找到句子间的相关性

前馈层，即将这些信息加工成我们最后要的那个语义空间。

（2）mask操作及代码详解

mask矩阵中为1的位置在计算注意力时被设置成负无穷大。



将相似性得分中对应的位置设置成负无穷大。使得最后的相似性权重部分最后全部为0.




为实现并行：
传入真实标签，









该处的mask用于比较“我喜欢你 P”和“S I Iove you . P”之间的关系，被翻译的句子和翻译的结果他们之间的关系。6行5列