Transformer

你的凡王

已于 2024-09-16 20:26:08 修改

阅读量883

点赞数 3

文章标签： transformer 深度学习人工智能

于 2024-09-04 14:31:41 首次发布

本文链接：https://blog.csdn.net/m0_65325092/article/details/141891994

版权

Transformer 是谷歌 2017 年发表在 NeurlIPS 上的文章 Attention is all you need 中提出的模型。 Transformer 模型仅基于注意力机制，能够有效捕捉输入序列中的长距离依赖关系，完全不涉及循环和卷积，解决了传统的序列到序列( Seq2Seq )模型处理可变长序列时存在的问题( RNN 处理长序列时易出现梯度消失或爆炸，不能并行计算，难以捕捉长距离依赖关系。 CNN 卷积操作的输入需要具有固定尺寸，处理可变长序列时为使序列长度相同需要填充短序列因而效率较低)。实验表明其在质量上更优越，更易于并行化，训练时间也大大减少。

`Transformer` 模型

注意力的直观理解

例 1 ：一个海边的画面，其中包含 Elements = ['海鸥', '沙滩', '落日', '礁石', '天空'] 等要素，我们看到这个画面时对这些要素的印象和关注度有不同的程度，在不同物体上分配的注意力也有所不同，假如自然情况下看到画面后在各个要素上的注意力为 [30, 15, 20, 50, 25] 。现在我们额外给出一个条件 '动物' ，则对各要素的注意力会发生相应变化，假设变成了 [80, 10, 5, 20, 15] 。那么这里 Q = '动物' 做查询(与 K 进行匹配，‌以确定哪些信息是重要的)， alpha = [80, 10, 5, 20, 15] 是对各要素的注意力权重分配。在提出条件前我们对全部要素有一个天然的注意力分配权重，就是 K = [30, 15, 20, 50, 25] ， K 称为键(与Q进行匹配，‌用于计算注意力权重)。新的注意力分配 alpha = [80, 10, 5, 20, 15] 实际上是根据 Q 对 K 进行调整得到的，即 alpha = f(Q,K) 。我们不能直接将语言词汇交给机器，而是先将其转化成数值，假设要素 Elements 的对应数值为 V = [v1, v2, v3, v4, v5] ， V 称为值(实际的信息内容)。我们最终获得的脑海中的印象是 y = alpha*V = alpha_1*v1+alpha_2*v2+...+alpha_5*v5 。

例 2 ：文本翻译中我们对原句 Text = 'He is a student.' 进行逐字翻译，翻译每个字的时候其对原句 Text 中的每个词的注意力是不同的。实际过程中我们先输入一个文本句子 Text ，用分词器将其分词得到 Elements = ['He', 'is', 'a', 'student'] ，再将分词转化成数值(词向量) X = [x1, x2, x3, x4, x5] ，其中 xi 是数值向量。任意数值向量 xi 经过一个全连接层(即线性变化)得到 vi ， xi 经过另一个全连接层(即线性变化)得到 ki 。这样就得到了 X 的键 K = [k1, k2, k3, k4, k5] 和值 V = [v1, v2, v3, v4, v5] 。同样的，对一个查询的原分词 'somequery' ，词向量为 xq ， xq 经过另一个全连接层(线性变换)得到查询 q ， q 和 ki 作用得到对 xi 的注意力分配权重 alpha_i = f(q,ki) ，最终计算结果为 alpha_1*v1+...+alpha_5*v5 。

模型结构

如图所示，左侧为编码器( encoder )，右侧为解码器( Transformer )，编码器负责将输入序列转换成适合后续处理的表示形式，解码器根据这种表示形式生成目标序列。

编码器方框内的结构由 N 个相同的层组成(文中取 N=6 )，每层由两个子层组成，分别为多头自注意力机制( Multi-head self-attention mechanism )和逐位置全连接层( position-wise fully connected feed-forward network )，每个子层添加残差连接( residual connection )，残差连接后进行层规范化( layer normalization )。

解码器同样由 N 个相同的层组成，每层包含三个子层，第一和第三个子层是多头注意力机制和逐位置全连接层，第二个子层用于对编码器的输出实施多头注意力。我们对每个子层添加残差连接然后层规范化。为了确保一个词的生成只能依赖它之前的词，我们对解码器中的自注意力子层进行一定修改，引入遮蔽( Masking )，遮蔽通过对自注意力矩阵中的某些元素进行掩码(即设置为负无穷大或一个非常小的值，这样在后续的 softmax 操作中这些元素的影响将被忽略)来实现。具体来说，对于每个位置 i ，遮蔽会确保位置 i 不能“注意到”任何位置 j (其中 j>i )的信息，即位置 i 的生成只能依赖于它之前的所有位置。此外输出嵌入是偏移一个位置的：在训练过程中，解码器的输入通常包括目标序列(即我们想要模型学习的输出序列)的左移版本，这意味着在生成第 i 个位置的词时，解码器的输入实际上是目标序列的第 i-1 个词(如果 i=0 ，则通常是一个特殊的开始符号)，这样做是为了在解码过程中保持与自注意力遮蔽的一致性，即确保模型在生成第 i 位置的词时，只能看到到目前为止已经生成的词(即位置小于 i 的词)。