transformer详解

1.从全局角度概括transformer

一个典型的编码器-解码器的结构，类似于sequence-to-sequence

这6（可以自己定）个encode，decode在结构上是完全相同的，但是参数不是完全相同的
训练的时候，不是训练了一个encode，然后copy 6次，而是6个encode多在训练

2.位置编码详细解读

RNN是共享一套参数

transformer是并行处理的，不同于RNN（先处理’我’，再处理‘爱’…）,这样做增快了速度，但忽略了单词之间的先后关系

这里的2i表示偶数，2i+1表示奇数



正余弦函数对于同一个位置，同一个pos，不同的向量，使用不同的sin或者cos，体现出的是绝对位置信息
根据公式（2）三角函数的性质，我们可以推导出（3）
以第一行为例，对于‘我爱你’，pos+k代表‘你’，pos代表‘我’，k代表‘爱’
也就是说‘我爱你’中的‘你’可以被pos（‘我’），k（‘爱’）两者线性组合起来，这种组合意味着绝对位置向量中蕴含了相对位置信息

3.注意力机制

做softmax归一化，归一化后得到一个相似度向量，再乘V，得到一个加权的和

Q代表婴儿对应的某种向量
左上，左下，右上，右下分别代表Key1,Key2,Key3,Key4的某种向量
V1,V2,V3,V4也是左上，左下，右上，右下对应的某种值向量value

首先是婴儿和左上，左下，右上，右下分别做点乘得到某个值
（为什么要点乘？在相似度计算的时候有是三种方式，分别为点乘，MLP，cos相似性。其中点乘是一个向量在另一个向量上投影的长度，是一个标量，可以反映两个向量之间的相似度，也就是说两个向量越相似，点乘结果越大）
判断婴儿和左上，左下，右上，右下四个区域，哪个点乘的结果最大，结果越大，距离越靠近，越相似，我越关注
比如与左上，左下，右上，右下点乘后分别为0.7 ,0.1 ,0.1 ,0.1 ,
就与左上最相似，然后将0.7 ,0.1 ,0.1 ,0.1 ,再与V矩阵相乘，得到的就是attention value，就是一个加权和

下面在讲解一下NLP中的例子

S1,S2,S3,S4就是点乘后的值，
然后softmax得到相似度a1,a2,a3,a4(相加=1）

X1 * W^Q = q1
X1 * W^K = k1
X1 * W^V = v1

X2 * W^Q = q2
X2 * W^K = k2
X2 * W^V = v2

接下来我们就要做attention value

还有要注意多头
这里我们只用了一套参数，但实际上我们是用了多套参数

在不同的参数中的得到不同的Z

最后我们要将多个头合在一起进行输出，然后再乘以一个矩阵，就得到多头注意力机制的输出

4.残差连接

Multi-Head Attention 上方还包括一个 Add & Norm 层，Add 表示残差连接 (Residual Connection) 用于防止网络退化，Norm 表示 Layer Normalization，用于对每一层的激活值进行归一化。

X + Z是一个残差的结果，再经过Layer Normalization
这里的Z表示其中的f（x）

残差就是缓解了梯度消失，可以将NLP模型往深了做

5.Batch Normal

特征缩放

X1,X2,X3…表示班级里面的人，每一行代表他们的一个特征，身高体重…

比如一个班有50个人，我们选10个人的身高作为batch_size,去预测其他40个人的身高
如果选的人太少，效果不好

现在有一堆样本，batch_size为10
有9个长度为5，还有一个长度为20
这样我们在输入时前5个单词的均值和方差可以算出来
但第6个单词到第20个单词我们的均值和方差没法算

6.layer normal

比如最后一个句子是20个单词，LN就是对这个20个单词去做缩放，去做他的均值和方差（横过来的）
BN就是分别对第一个单词做均值和方差，第二个单词做均值和方差…

feed forward是一个两层的全连接

7.decode

所有encode的输出生成某种值，和每一个

encode中生成K,V矩阵，decode中生成Q矩阵