一篇最重要的论文《Attention Is All You Need》中介绍了Attention结构。
总共分为两个部分encode和decode,有三个小模块,attention,Feed Forward和decode部分的multi-head attention模块。
一.Attention
- input embedding
使用word2vec将tokens转换成词向量,如ELMO或SkipGram等算法。 - positional encoding
位置编码。这里是为了表示该token处于这个句子的什么位置而设置的。
dmodel:词向量的维度
pos:token在句中的位置,从0开始计算。
i:词向量的第i个位置,在偶数位置计算其sin,奇数位置计算其cos,
PE可以看成一个矩阵,行向量表示token,列向量表示词向量维度。 - Attention模块
这幅图描述了Attention计算过程,具体细节如下:
这里的query,key,value引用了信息检索相关的知识,query是搜索词,key,value是一个字典,已知搜索词在字典中进行查找的一个过程。如果将x1,x2…转换为矩阵运算,可以使用GPU进行加速,提高运算速度:
4. Multi-head Attention
可以直观的翻译为多头注意力机制,意思是转换矩阵有多个,表示从不同的角度去学习一个句子,从不同角度专注于一个词或一个token或几个。
图中的Nx表示可以有多个模块级联。
二.Feed Forward
- Add&Norm
论文中使用的Norm是layer Normalization - FFN
论文中是用的二层全连接神经网络:
三.Decode的multi-head attention
解码端的Attention模块略微复杂,
假如设encode端的输入为t,decode端输出为d,如上图所画,对应到具体计算是:
按照信息检索,encode端提供搜索词,decode提供字典,对搜索词进行检索。