Transformer

最新推荐文章于 2024-10-05 19:19:55 发布

静妮子i

最新推荐文章于 2024-10-05 19:19:55 发布

阅读量849

点赞数

分类专栏：机器学习—李宏毅文章标签： transformer 深度学习人工智能

本文链接：https://blog.csdn.net/qq_39848541/article/details/127102561

版权

机器学习—李宏毅专栏收录该内容

13 篇文章 0 订阅

订阅专栏

Transformer

seq2seq
- 应用
- 结构
Transformer

自注意力模型的问题：

计算自注意力时，没有考虑输入的位置信息，因此无法对序列进行建模
输入向量同时作为计算注意力权重时两个向量以及被加权的向量，导致其不容易学习
只考虑两个输入序列单元之间的关系，无法建模多个输入序列单元之间更复杂的关系
自注意力计算结果互斥，无法同时关注多个输入

就以上问题给出解决方案融合自注意力模型——Transformer

seq2seq

应用

在这里插入图片描述

各式各样nlp任务都可以用seq2seq来解
（特制化model求解可能效果更好）

在这里插入图片描述

结构

在这里插入图片描述最经典的模型：Transformer

Transformer

一个seq2seq的model

请添加图片描述

请添加图片描述
Transformer 就是一个 Seq2seq (Sequence-to-sequence) 的模型

原理：encoder+decoder

Attention Is All You Need

请添加图片描述

Encoder

Encoder 要做的事情就是给一排向量，输出一排向量，这可利用多种模型实现，如 CNN, RNN 等。Transformer 中的 Encoder 就是用的 Self-attention。

请添加图片描述

encoder里面分成很多个block，每个block都是输入一排向量输出一排向量
每个block里：vector1先做一次self-attention考虑整个seq的信息后输出一组vector2，然后将此组vector2作为输入投入一个全连接层，然后输出一组vector3，作为一个block的输出
PS:有一种network架构——residual connection将输出a再加上原始输入b作为新的vector a+b；然后再将其经过一个layer-norm得到的output才是全连接层的输入，同样也有residual架构（output+=input）+layer norm——residual network中一个block输出

注：Transformer 的Encoder架构不一定要这么设计，此处为原始论文中的架构设计。
还有其他实现方式

Decoder

autoregressive

请添加图片描述下图中，Multi-head Attention其实就是多个Self-Attention结构的结合1。Decoder相比Encoder，在Multi-Head Attention上还加了一个 “Masked”（Masked Self-attention）：decoder是一个一个按顺序产生的，只能考虑左边的信息目前的Decoder的运行中，机器并不知道什么时候停下来，一直重复操作，如同“词语接龙”：机、器、学、习、惯、… 因此需要增加一个终止符号END来结束执行。请添加图片描述 非自回归 Non-autoregressive (NAT)
NAT 只需要一次性输入就可以产生整个句子。

Q：如何确定NAT decoder的输出长度？
A1：另外学习出一个分类器，它输入Encoder的input，输出Encoder应该输出的长度
A2：输出一个很长的序列，忽略END标识后的token（如上图）

优点：并行处理，速度快；输出长度可控。
缺点：NAT的表现往往逊色于AT：多模态问题 Multi-modality.

encoder和decoder的连接

请添加图片描述

cross attention 连接encoder和decoder的桥梁，此处有两个输入来自encoder一个来自decoder，此模组运作过程如下图所示

训练模型
eg:语音辨识任务，人工标注label
在输入的时候会给Decoder正确答案，这种方式叫做"Teacher Forcing"；使用交叉熵对模型进行评估（越小越好）。

请添加图片描述

测试的时候，Decoder会产生错误的输出，但是训练的时候是完全正确的，这种不一致的现象叫做 Exposure Bias4。可以在训练的时候类似“加入扰动”的方式来解决——scheduled sampling（定时采样），这种方式会影响Transformer的并行化。

beam search

在这里插入图片描述有唯一可能确切答案——beam search
需要创造力，不唯一答案——需要一定随机性

transformer优缺点

优点

transformer可以直接建模输入序列单元之间更长距离的依赖关系，对长序列建模能力更强
可以利用GPU等多核计算设备并行计算transformer块内部的自注意力模型，具有更高的训练速度，而RNN需要逐个计算

缺点

参数量过大：每个transformer块中包括了自注意力模型中输入向量的三个角色映射矩阵，多头机制导致相应参数倍增，引入非线性的多层感知器等，整个模型还需要堆叠多层transformer块，参数量成倍扩大
巨大的参数量导致模型训练难度大，尤其是训练数据较小时

因此为了降低模型训练难度，基于大规模数据的预训练模型应运而生，只有这样才能发挥transformer模型强大的表示能力——bert