Datawhale《深度学习-NLP》Task10- Attention原理

参考： transformer github实现：GitHub - Kyubyong/transformer: A TensorFlow Implem...

transformer pytorch分步实现：The Annotated Transformer

搞懂Transformer结构，看这篇PyTorch实现就够了：搞懂Transformer结构，看这篇PyTorch实现就够了！ - TinyMind -专注人工智...

“变形金刚”为何强大：从模型到代码全面解析Google Tensor2Tensor系统：“变形金刚”为何强大：从模型到代码全面解析Google Tensor2Tensor系统 - 腾讯云技...

bert理论： bert系列1：https://medium.com/dissecting-bert/dissecting-bert-part-1-d3c3d495cdb3

bert系列2：https://medium.com/dissecting-bert/dissecting-bert-part2-335ff2ed9c73

bert系列3：https://medium.com/dissecting-bert/dissecting-bert-appendix-the-decoder-3b86f66b0e5f

5 分钟入门 Google 最强NLP模型：BERT：5 分钟入门 Google 最强NLP模型：BERT - 简书

BERT – State of the Art Language Model for NLP：BERT – State of the Art Language Model for NLP | L...

google开源代码：GitHub - google-research/bert: TensorFlow code and...

bert实践： 干货 BERT fine-tune 终极实践教程：干货 | BERT fine-tune 终极实践教程 - 简书

小数据福音！BERT在极小数据下带来显著提升的开源实现：小数据福音！BERT在极小数据下带来显著提升的开源实现

BERT实战（源码分析+踩坑）：BERT实战（源码分析 踩坑） - 知乎

 

 

Transformer模型结构

Transformer的主体结构图：

编码器解码器

模型分为编码器和解码器两个部分。

• 编码器由6个相同的层堆叠在一起，每一层又有两个支层。第一个支层是一个多头的自注意机制，第二个支层是一个简单的全连接前馈网络。在两个支层外面都添加了一个residual的连接，然后进行了layer nomalization的操作。模型所有的支层以及embedding层的输出维度都是dmodeldmodel。
• 解码器也是堆叠了六个相同的层。不过每层除了编码器中那两个支层，解码器还加入了第三个支层，如图中所示同样也用了residual以及layer normalization。具体的细节后面再讲

输入层

编码器和解码器的输入就是利用学习好的embeddings将tokens（一般应该是词或者字符）转化为d维向量。对解码器来说，利用线性变换以及softmax函数将解码的输出转化为一个预测下一个token的概率。

位置向量

由于模型没有任何循环或者卷积，为了使用序列的顺序信息，需要将tokens的相对以及绝对位置信息注入到模型中去。论文在输入embeddings的基础上加了一个“位置编码”。位置编码和embeddings由同样的维度都是dmodeldmodel所以两者可以直接相加。有很多位置编码的选择，既有学习到的也有固定不变的。

注意力模型

Scaled attention

论文中用的attention是基本的点乘的方式，就是多了一个所谓的scale。输入包括维度为dkdk的queries以及keys，还有维度为dvdv的values。计算query和所有keys的点乘，然后每个都除以dk−−√dk（这个操作就是所谓的Scaled）。之后利用一个softmax函数来获取values的权重。

实际操作中，attention函数是在一些列queries上同时进行的，将这些queries并在一起形成一个矩阵QQ同时keys以及values也并在一起形成了矩阵KK以及VV。则attention的输出矩阵可以按照下述公式计算：

Attention(Q,K,V)=softmax(QKTdk−−√)VAttention(Q,K,V)=softmax(QKTdk)V

Multi-Head Attention

本文结构中的Attention并不是简简单单将一个点乘的attention应用进去。作者发现先对queries，keys以及values进行hh次不同的线性映射效果特别好。学习到的线性映射分别映射到dkdk，dkdk以及dvdv维。分别对每一个映射之后的得到的queries，keys以及values进行attention函数的并行操作，生成dvdv维的output值。具体结构和公式如下。

 

MultiHead(Q,K,V)=Concat(head1,...,headh)MultiHead(Q,K,V)=Concat(head1,...,headh)

 

where:headi=Attention(QWiQ,KWiK,VWiV)where:headi=Attention(QWiQ,KWiK,VWiV)

模型中的attention

Transformer以三种不同的方式使用了多头attention。

1. 在encoder-decoder的attention层，queries来自于之前的decoder层，而keys和values都来自于encoder的输出。这个类似于很多已经提出的seq2seq模型所使用的attention机制。
2. 在encoder含有self-attention层。在一个self-attention层中，所有的keys,values以及qu