Transformer-Attention is all you need 学习笔记

振哥在，世界充满爱！

已于 2022-11-26 11:50:19 修改

阅读量448

点赞数 1

分类专栏：资源学习笔记深度学习 Transformer 文章标签： transformer 学习深度学习语言模型自然语言处理

于 2022-11-26 11:41:23 首次发布

本文链接：https://blog.csdn.net/qq_30507287/article/details/127813681

版权

深度学习同时被 3 个专栏收录

15 篇文章 4 订阅

订阅专栏

资源学习笔记

8 篇文章 0 订阅

订阅专栏

Transformer

2 篇文章 0 订阅

订阅专栏

3.2.1 Scaled Dot-Product Attention

3.2.2 多头注意力

3.2.3 我们模型中注意力的应用

3.3 位置前馈网络(Position-wise Feed-Forward Networks)

3.4 Embeddings和 Softmax

3.5 位置编码(Positional encoding)

4. why Self-Attention

摘要：

主流的序列转换模型都是基于复杂的循环神经网络或卷积神经网络，且都包含1个encoder和1个decoder。表现最好的模型还通过Attention机制将encoder和decoder联接起来。我们提出了一个新的、简单的网络架构Transformer. 它只基于单独的attention机制，完全避免使用循环和卷积。在两个翻译任务上表明，我们的模型在质量上更好，同时具有更高的并行性，且训练所需要的时间更少。我们的模型在 WMT2014 英语-德语的翻译任务上取得了28.4的BLEU评分。在现有的表现最好模型的基础上，包括整合模型，提高了2个BLEU评分。在WMT2014英语-德语的翻译任务上,我们的模型在8个GPU上训练了3.5天（这个时间只是目前文献中记载的最好的模型训练成本的一小部分），创造了单模型的SOTA结果，BLEU分数为41.8，通过在大量和少量训练数据上所做的英语选区分析工作的成功，表明Transformer能很好的适应于其它任务。

图1

1 Introduction

RNN,LSTM,GRU,Gated Recurrent Neural Networks 在序列建模和转换任务上，比如语言模型和机器翻译，已经是大家公认的取得SOTA结果的方法。自此，无数的努力继续推动递归语言模型和encoder-decoder体系结构的界限。

递归模型通常沿输入和输出序列的符号位置进行因子计算。在计算时将位置与步骤对齐，它们生成一系列隐藏状态 $h_{t}$ ，t位置的 $h_{t}$ 使用它的前驱 $h_{t-1}$ 和当前的输入生成。这种内部的固有顺阻碍了训练样本的并行化，在序列较长时，这个问题变得更加严重，因为内存的限制限制了样本之间的批处理。最近的工作通过因子分解技巧[21]和条件计算[32]在计算效率方面取得了显著的提高，同时也提高了后者的模型性能。然而，顺序计算的基本约束仍然存在。

在各种各样的任务中，注意力机制已经成为各种引人注目的序列模型和转换模型中的不可或缺的组成部分，它允许对依赖关系建模，而不需要考虑它们在输入或输出序列中的距离。然而，在除少数情况外的所有情况下[27]，这种注意机制都与一个递归网络结合使用。

在这项工作中，我们提出了Transformer，这是一种避免使用循环的模型架构，完全依赖于注意机制来绘制输入和输出之间的全局依赖关系。Transformer允许更显著的并行化，使用8个P100 gpu只训练了12小时，在翻译质量上就可以达到一个新的SOTA。

2 Background

减少序列计算的目标也成就了 Extended Neural GPU [16],ByteNet[18],和ConvS2S[9]的基础,它们都使用了卷积神经网络作为基础模块，并行计算所有输入和输出位置的隐藏表示。在这些模型中，将来自两个任意输入或输出位置的信号关联起来所需的操作数，随位置间的距离而增长，ConvS2S为线性增长，ByteNet为对数增长。这使得学习远距离位置之间的依赖性变得更加困难[12]. 在Transformer中，这种情况被减少到了常数次操作，虽然代价是由于平均注意力加权位置信息降低了有效分辨率，如第3.2节所述，我们用多头注意力抵消这种影响。

self-attention,有时也叫做内部注意力，是一种注意力机制，它将一个序列的不同位置联系起来，以计算序列的表示。self-attention 已经成功的运用到了很多任务上，包括阅读理解、抽象摘要、语篇蕴涵和学习任务无关的句子表征等。

已经被证明，端到端的记忆网络使用循环attention机制替代序列对齐的循环，在简单的语言问答和语言建模任务中表现良好。

然而，据我们所知，Transformer是第一个完全依赖于self-attetion来计算其输入和输出表示而不使用序列对齐的RNN或卷积的转换模型，在下面的章节中，我们将描述Transformer,motivate ,self-attention，并讨论它相对于[17,18]和[9]等模型的优势。

3 Model Architecture

大多数有竞争力的序列转换模型都有encoder-decoder结构。这里，encoder将符号表示的输入序列(x1,...,xn)映射成一个连续表示的序列z=(z1,...,zn)。给定z，解码器(decoder)以一次生成一个字符的方式生成输出序列(y1,...,ym) 。在每一步，模型都是自回归的[10]，在生成下一个字符时，将先前生成的符号作为附加输入。

Transformer遵循这个总体架构，使用堆叠的self-attention层、point-wise和全连接层，分别用于encoder和decoder，如图1的左半部分和右半部分所示。

图2

图3

图4

3.1 编码器和解码器堆栈

编码器：编码器由N=6个相同层的堆叠组成（如图4整理）。每一层都有两个子层。第一种是多头自注意机制，第二种是简单的位置全连接前馈网络。在两个子层的每一个周围采用残差连接，随后是层标准化。也就是说，每个子层的输出是LayerNorm(x+sublayer(X))，其中sublayer(X)是由子层本身实现的功能。为了促进这些残差连接，模型中的所有子层以及嵌入层产生维度dModel=512的输出。

解码器：解码器也由N=6个相同层的堆栈组成。除了每个编码层中的两个子层之外，解码器还插入第三个子层，该子层对编码器堆栈的输出执行多头注意（multi-head attention）。与编码器类似，我们在每个子层周围使用残差连接，然后进行层标准化。我们还修改了解码器堆栈中的自我关注子层，以防止位置关注后续位置(利用掩码以防止位置参与后续的位置运算)。这种掩码与输出嵌入偏移一个位置的事实相结合，确保了对位置i的预测只能依赖于小于i的位置处的已知输出。

3.2 注意力

注意力函数可以描述为将查询和一组键值对映射到输出，其中查询Q、键K、值V和输出都是向量。输出计算为值的加权和，其中分配给每个值的权重由查询与相应键的兼容性函数计算。

图 5：（左）按比例缩放的点积注意力。（右）多头注意力由多个并行运行的注意力层组成。

3.2.1 Scaled Dot-Product Attention

我们将我们的特别关注称为“Scaled Dot-Product Attention”（图 5）。输入由维度 dk 的查询queries和键keys以及维度 dv 的值values组成。我们使用所有键keys计算查询的点积，将每个键除以 √dk，并应用 softmax 函数来获得值的权重。

在实践中，我们同时计算一组查询的注意力函数，这些查询被打包到一个矩阵Q中。键和值也打包到矩阵K和V中。我们将输出矩阵计算为：

$Attention(Q,K,V)=softmax(\frac{QK^{T}}{\sqrt{d_{k}}})V$

两个最常用的注意函数是加注意和点积(乘性)注意。点积(Dot-product)关注度与我们的算法相同，只是比例因子为 $\sqrt{d_{k}}$ 。附加关注度(Additive attention)使用具有单个隐藏层的前馈网络来计算兼容性函数。虽然两者在理论复杂性上相似，但点积注意在实践中要快得多，空间效率更高，因为它可以使用高度优化的矩阵乘法代码来实现。

虽然对于较小的dk值，这两种机制的表现相似，但加性注意优于点积注意，而不会对较大的dk值进行缩放[3]。我们怀疑，对于较大的dk值，点积的大小会增大，从而将Softmax函数推入其梯度极小的区域。为了抵消这种影响，我们将点积缩放 $\sqrt{d_{k}}$ 。

3.2.2 多头注意力

我们发现，使用不同的学习线性投影(linear projections)将查询queries、键keys和值values分别线性投影到DK，DK和DV维度上h次是有益的，而不是使用dModel维键、值和查询执行单一的注意函数。然后，在这些查询、键和值的每个投影版本上，我们并行执行注意力功能，产生DV维输出值。它们被连接起来，并再次投影，产生最终的值，如图5所示。

多头注意力允许模型共同关注来自不同位置的不同表示子空间的信息。对于单个注意力头，平均化会抑制这一点。

其中投影是参数矩阵。

在这项工作中，我们使用 h = 8 个并行注意力层或头。对于其中的每一个，我们使用 k = dv = dmodel/h = 64。由于每个头的维度减少，总计算成本类似于具有全维度的单头注意力。

3.2.3 我们模型中注意力的应用

Transformer 以三种不同的方式使用多头注意力：

在“编码器-解码器注意”层中（encoder-decoder attention），查询来自前一个解码器层，内存键和值来自编码器的输出。这使得解码器中的每个位置都能处理输入序列中的所有位置。这模拟了序列对序列模型(如[38,2,9])中典型的编码器-解码器注意机制。

编码器包含自我注意层(self-attention)。在自我注意层中，所有键、值和查询都来自同一个地方，在本例中是编码器中前一层的输出。编码器中的每个位置都可以处理编码器的前一层中的所有位置。

类似地，解码器中的自注意力层允许解码器中的每个位置关注解码器中直到并包括该位置的所有位置。我们需要在解码器中防止向左的信息流，以保持自回归特性。我们通过屏蔽(设置为−∞)softmax输入中所有对应非法连接的值来实现这一点。

3.3 位置前馈网络(Position-wise Feed-Forward Networks)

除了注意力子层之外，我们的编码器和解码器中的每一层都包含一个完全连接的前馈网络，该网络分别且相同地应用于每个位置。这包括两个线性变换，中间有一个 ReLU 激活。

虽然线性变换在不同位置上是相同的，但它们在不同的层之间使用不同的参数。另一种描述方式是将其描述为核大小为1的两个卷积。输入和输出的维度为dModel=512，内层的维度为df=2048。

3.4 Embeddings和 Softmax

与其他序列转导模型类似，我们使用学习嵌入将输入标记和输出标记转换为维度为 dmodel 的向量。我们还使用通常的学习线性变换和 softmax 函数将解码器输出转换为预测的下一个令牌(tokens)概率。在我们的模型中，我们在两个嵌入层和 pre-softmax 线性变换之间共享相同的权重矩阵，类似于 [30]。在嵌入层中，我们将这些权重乘以 $\sqrt{d_{model}}$ 。

3.5 位置编码(Positional encoding)

由于我们的模型不包含递归和卷积，为了使模型能够利用序列的顺序，我们必须注入一些关于序列中标记的相对或绝对位置的信息。为此，我们在编码器和解码器堆栈的底部为输入嵌入添加 "位置编码"。位置编码与嵌入具有相同的维度dmodel，因此这两者可以相加。有很多位置编码的选择，有学习的，也有固定的[9]。

表 1：不同层类型的最大路径长度、每层复杂度和最小顺序操作数。 n 是序列长度，d 是表示维度，k 是卷积的核大小，r 是受限自注意中的邻域大小。

在这项工作中，我们使用不同频率的正弦和余弦函数

$PE_{(pos,2i)}=sin(pos/10000^{2i/d_{model}}), PE_{(pos,2i+1)}=cos(pos/10000^{2i/d_{model}})$

其中 pos 是位置，i 是维度。也就是说，位置编码的每个维度对应一个正弦曲线。波长形成从 2π 到 10000 · 2π 的几何级数。我们选择这个函数是因为我们假设它可以让模型很容易地学习通过相对位置来参与，因为对于任何固定的偏移量 k，P Epos+k 可以表示为 P Epos 的线性函数。

我们还尝试使用学习的位置嵌入，发现这两个版本产生了几乎相同的结果（见表 3 行 (E)）。我们选择了正弦版本，因为它可以让模型推断出比训练期间遇到的序列长度更长的序列长度。

4. why Self-Attention

在本节中，我们将自注意层的各个方面与通常用于映射一个可变长度符号表示序列的循环层和卷积层进行比较(x1，…， xn)到另一个相等长度的序列(z1，…， zn)，与xi, zi∈Rd，如典型序列转到编码器或解码器中的一个隐层。激励我们使用自我注意力机制，我们考虑三个需求。

一个是每层的总计算复杂度。另一个是可并行化的计算量，通过所需的最小顺序操作数来衡量。

第三是网络中远程依赖关系之间的路径长度。学习远程依赖关系是许多序列转导任务中的一个关键挑战。影响学习这种依赖关系能力的一个关键因素是信号在网络中必须遍历的前向和后向路径的长度。输入和输出序列中任何位置组合之间的这些路径越短，就越容易学习远程依赖。因此，我们还比较了由不同层类型组成的网络中任意两个输入和输出位置之间的最大路径长度。

如表1所示，自我注意层以恒定数量的顺序执行操作连接所有位置，而递归层需要O(n)顺序操作。就计算复杂度而言，当序列长度n小于表示维度d时，自注意层比递归层更快，这通常是机器翻译中最先进的模型所使用的句子表示的情况，如词片和字节对表示。为了提高涉及超长序列的任务的计算性能，自我关注可以被限制为只考虑输入序列中以各自输出位置为中心的大小为r的邻域。这将使最大路径长度增加到O(n/r)。我们计划在未来的工作中进一步研究这种方法。

内核宽度 k < n 的单个卷积层不会连接所有输入和输出位置对。这样做需要在连续内核的情况下堆叠 O(n/k) 卷积层，或者在扩张卷积的情况下需要 O(logk(n)) [18]，从而增加任意两个位置之间最长路径的长度在网络中。卷积层通常比循环层更昂贵，高出 k 倍。然而，可分离卷积 [6] 将复杂度大大降低到 O(k · n · d + n · d2)。然而，即使 k = n，可分离卷积的复杂度也等于自注意力层和逐点前馈层的组合，这是我们在模型中采用的方法。

作为附带的好处，self-attention 可以产生更多可解释的模型。从我们的模型中检查注意力分布，并在附录中展示和讨论示例。不仅单个注意力头清楚地学习执行不同的任务，而且许多似乎表现出与句子的句法和语义结构相关的行为。

5. 训练

本节描述了我们模型的训练机制。

5.1 训练数据和批处理

我们在标准的WMT 2014英语-德语数据集上进行了训练，（该数据集的基本信息）该数据集由大约450万个句子对组成。句子使用字节对编码[3]，它有一个共享的源目标词汇表，大约有37000个标记。对于英语-法语，我们使用了更大的2014年WMT英语-法语数据集，包括3600万个句子和拆分成32000个单词的词汇表[38]。句子对按大致的序列长度成批排列在一起。每个训练批次包含一组句子对，其中包含大约25000个源标记和25000个目标标记。

5.2 硬件和时间表

我们在一台配备 8 个 NVIDIA P100 GPU 的机器上训练我们的模型。对于我们使用整篇论文中描述的超参数的基础模型，每个训练步骤大约需要 0.4 秒。我们对基础模型进行了总共 100,000 步或 12 小时的训练。对于我们的大型模型，（在表 3 的最后一行进行了描述），步进时间为 1.0 秒。大型模型训练了 300,000 步（3.5 天）。

5.3 优化器

我们使用了 β1 = 0.9、β2 = 0.98 和 = 10−9 的 Adam 优化器 [20]。我们根据以下公式在训练过程中改变学习率：

这对应于在第一个 warmup_steps 训练步骤中线性增加学习率，然后根据步数的平方根倒数按比例减少学习率。我们使用warmup_steps = 4000。

5.4 正则化

我们在训练过程中采用了三种正则化：

Residual Dropout 我们将 dropout [33] 应用于每个子层的输出，然后将其添加到子层输入并进行归一化。此外，我们将 dropout 应用于编码器和解码器堆栈中嵌入和位置编码的总和。对于基本模型，我们使用 Pdrop = 0.1 的比率。

表 2：在英语到德语和英语到法语的 newstest2014 测试中，Transformer 的 BLEU 分数比之前最先进的模型更好，而训练成本只是其中的一小部分。

标签平滑在训练期间，我们采用了值ls=0.1的标签平滑。标签平滑虽然损伤了困惑度，但模型更加不确定，并提升了准确度和BLEU分值。

6. 结果

6.1 机器翻译

在 WMT 2014 英德翻译任务中，大的 Transformer 模型（表 2 中的 Transformer (big)）比之前报道的最好的模型（包括 ensembles）高出 2.0BLEU 以上，建立了一个最新的水平， BLEU 得分为 28.4。该模型的配置列于表 3 的最后一行。在 8 个 P100 GPU 上训练耗时 3.5 天。甚至我们的基础模型也超过了所有先前发布的模型和集成，其训练成本只是任何竞争模型的一小部分。

在 WMT 2014 英法翻译任务中，我们的大模型达到 41.0 的 BLEU 分数，优于之前发布的所有单一模型，其训练成本不到之前最先进技术的 1/4模型。为英语到法语训练的 Transformer（大）模型使用的辍学率 Pdrop = 0.1，而不是 0.3。

对于基本模型，我们使用通过平均最后 5 个检查点获得的单个模型，这些检查点以 10 分钟的间隔写入。对于大型模型，我们平均了最后 20 个检查点。我们使用束搜索，束大小为 4，长度惩罚 α = 0.6。这些超参数是在对开发集进行实验后选择的。我们将推理期间的最大输出长度设置为输入长度 + 50，但在可能的情况下提前终止。

表 2 总结了我们的结果，并将我们的翻译质量和训练成本与文献中的其他模型架构进行了比较。我们通过将训练时间、使用的 GPU 数量以及每个 GPU 5 的持续单精度浮点容量的估计值相乘来估计用于训练模型的浮点运算的数量。

6.2 模型变化

为了评估 Transformer 不同组件的重要性，我们以不同的方式改变了我们的基础模型，测量了开发集 newstest2013 上英德翻译性能的变化。我们使用了上一节中描述的波束搜索，但没有检查点平均。我们在表 3 中展示了这些结果。

在表 3 行 (A) 中，我们改变了注意力头的数量以及注意力键和值维度，保持计算量不变，如第 3.2.2 节所述。虽然单头注意力比最佳设置差 0.9 BLEU，但质量也会因人头过多而下降。

表 3：Transformer 架构的变化。未列出的值与基本模型的值相同。所有指标都在英语到德语的翻译开发集 newstest2013 上。根据我们的字节对编码，列出的困惑是每个单词的，不应与每个单词的困惑进行比较。

表4：Transformer很好地概括了英语选区分析(结果见《华尔街日报》第23节)

在表 3 行 (B) 中，我们观察到减小注意力键大小 dk 会损害模型质量。这表明确定兼容性并不容易，比点积更复杂的兼容性功能可能是有益的。我们在行 (C) 和 (D) 中进一步观察到，正如预期的那样，更大的模型更好，并且 dropout 非常有助于避免过度拟合。在第 (E) 行中，我们用学习的位置嵌入 [9] 替换我们的正弦位置编码，并观察到与基本模型几乎相同的结果。

6.3 英语选区解析

为了评估Transformer是否可以推广到其他任务，我们对英语成分分析进行了实验。这项任务提出了具体的挑战：输出受制于强大的结构性严格的结构限制，并且比输入的内容长很多。此外，RNN序列到序列模型在小数据系统中无法达到最先进的结果。

我们在 Penn Treebank [25] 的华尔街日报 (WSJ) 部分训练了一个 dmodel = 1024 的 4 层转换器，大约 40K 训练句子。我们还在半监督环境中对其进行了训练，使用来自大约 1700 万个句子 [37] 的更大的高置信度和 BerkleyParser 语料库。我们将 16K 令牌的词汇表用于 WSJ 唯一设置，将 32K 令牌词汇表用于半监督设置。

我们只进行了少量实验来选择第 22 节开发集上的 dropout、注意力和残差（第 5.4 节）、学习率和光束大小，所有其他参数与英德基础翻译模型保持不变。在推理过程中，我们将最大输出长度增加到输入长度 + 300。对于 WSJ 和半监督设置，我们使用了 21 的光束大小和 α = 0.3。

我们在表 4 中的结果表明，尽管缺乏针对特定任务的调整，但我们的模型表现得非常好，比除递归神经网络语法之外的所有先前报告的模型产生了更好的结果。

与 RNN 序列到序列模型 [37] 相比，即使仅在 WSJ 40K 句子的训练集上进行训练，Transformer 也优于 BerkeleyParser [29]。

第六节的主要内容结论：bigger models are better, and dropout is very helpful in avoiding over-fitting. 模型越大，性能越好，而且dropout在避免过拟合方面很有帮助。

7. 结论

在这项工作中，我们提出了 Transformer，这是第一个完全基于注意力的序列transformer模型，用多头自注意力取代了编码器-解码器架构中最常用的循环层。

对于翻译任务，Transformer 的训练速度明显快于基于循环或卷积层的架构。在 WMT 2014 英语到德语和 WMT 2014 英语到法语的翻译任务上，我们都达到了新的水平。在前一项任务中，我们最好的模型甚至超过了之前报道的所有组合。

我们对基于注意力的模型的未来感到兴奋，并计划将它们应用于其他任务。我们计划将（1）Transformer 扩展到涉及文本以外的输入和输出模式的问题，（2）并研究局部的受限注意力机制，以有效处理图像、音频和视频等大型输入和输出。（3）减少生成的顺序是我们的另一个研究目标（降低迭代次数，减少迭代的连续性）。