【王树森】Transformer模型(2/2): 从Attention层到Transformer网络（个人向笔记）

Single Head Self-Attention

上节课讲到的属于单头注意力：

---

Multi-Head Self-Attention

• 使用 $l$ 个单头注意力层堆叠成一个多头注意力层，注意它们之间不共享参数
• 一个单头注意力有 3 个参数矩阵，所以多头注意力有 $3l$ 个参数矩阵
• 我们把多个单头注意力的输出做concatenation，就能得到多头注意力的输出
  

---

Multi-Head Attention

和上面讲到的类似，我们把单头注意力堆叠起来，就能得到一个多头注意力

---

Stacked Self-Attention Layers

• 在上面的多头自注意力层上的输出再接一个全连接层，对于每个输出的全连接层共享参数，将它们和 $W_U$ 进行计算后丢到一个激活函数ReLU里面
  
• 在此基础上可以网上堆多头自注意力层，这个的道理和多层RNN是一样的：
  
• Transformer一个Block的encoder的输入和输出都是一个 $512\times m$ 的矩阵，其中 $512$ 是向量的维度，$m$ 是向量的个数，用符号可以这样表示，其中 $\mathbf{X}$ 表示矩阵：$\mathbf{X}\in {\mathbb{R}}^{512\times m}$
  
• 这样我们就可以把Block堆叠起来，Block之间不共享参数，Transformer里面一共堆叠了6个Block
  

---

Blocked Attention Layers

• decoder需要先堆叠一个Self-Attention层：
  
• 之后堆叠一个多头注意力层
  
• 最后对所有的输出都映射到 $s$ 向量：
  
• 对于decoder的一个Block是这样的：其中需要输入两个序列，都是512维的向量，长度分别为 $m$ 和 $t$ ，如果是英译德的话，那么 $m$ 就是英语单词的数量，$t$ 就是已经生成的德语单词的数量：
  
• 堆叠decoder层：图的左边是刚刚堆叠的encoder层，右边是堆叠的decoder层，其中decoder层接受两个输入，一个输入来自encoder，一个输入来自 $X$ 或自身decoder的输出，最后输出和输入 $X$ 的维度一样
  
• 与RNN的Seq2Seq模型的输入大小完全一致，所以以前RNN的Seq2Seq模型能做的，Transformer也能做

---

Summary

把单头多个attention堆叠起来就能得到多头注意力，其中参数是独立的，不共享：