Self-Attention
将输入x表示为向量a（通过Word2Vec，GloVe，one-hot等词嵌入方法），然后用向量a分别乘以三个矩阵，得到三个向量q,k,v
拿第一个q分别对每一个k做attention计算，得到结果α
自注意力得分决定了在编码单词x1的过程中有多重视句子的其它单词。
将得到的所有α做softmax处理，得到ā
softmax分数决定了每个单词对编码当下位置x1的贡献
将ā与v相乘再相加，得到输出b
用同样的方法得到得到所有的输出b
所有的输出b都是同时计算出来的
下面的图展示的是上面几个步骤的向量化，然后通过矩阵运算实现
Multi-head Self-attention
在多头注意机制下，每个头保持独立的查询/键/值权重矩阵，从而产生不同的查询/键/值矩阵。
直接把得到的输出矩阵拼接在一起，然后用一个附加的权重矩阵WO与它们相乘，得到最终的输出矩阵
Position Encoding
self-attention中没有词语位置信息。Transformer在每个输入词向量上都会加上位置编码
输入的inputs embedding后都添加了位置编码positional encoding
positional encoding获取方式：
1.可以通过数据训练学习得到positional encoding，类似于训练学习词向量，bert中的positional encoding便是由训练得到地。
2.《Attention Is All You Need》论文中Transformer使用的是正余弦位置编码。位置编码通过使用不同频率的正弦、余弦函数生成，然后和对应的位置的词向量相加，位置向量维度必须和词向量的维度一致。PE（positional encoding）计算公式如下：
pos表示单词在句子中的绝对位置，pos=0，1，2…
dmodel表示词向量的维度，在这里dmodel=512
2i和2i+1表示奇偶性，i表示词向量中的第几维，例如这里dmodel=512，故i=0，1，2…255。
加入self-attention的seq2seq
Transformer
Encoder部分
主要包括两部分，multi-head attention 和 feed forward
Multi-Head Attention
比起直接用
d
m
o
d
e
l
d_{model}
dmodel的Q, K, V来说，将Q, K, V用不同的h个线性投影得到的h个
d
v
d_{v}
dv的context vector，再concat起来，过一个线性层的结果更好，可以综合不同位置的不同表征子空间的信息。论文中设置了h=8个head，
d
k
d_{k}
dk =
d
v
d_{v}
dv =
d
m
o
d
e
l
/
h
d_{model}/h
dmodel/h
M
u
l
t
i
h
e
a
d
(
Q
,
K
,
V
)
=
C
o
n
c
a
t
(
h
e
a
d
1
,
h
e
a
d
2
,
.
.
.
,
h
e
a
d
h
)
W
O
Multihead(Q,K,V)=Concat(head_{1},head_{2},...,head_{h})W^{O}
Multihead(Q,K,V)=Concat(head1,head2,...,headh)WO
h
e
a
d
i
=
A
t
t
e
n
t
i
o
n
(
Q
W
i
Q
,
K
W
i
K
,
V
W
i
V
)
head_{i}=Attention(QW_{i}^{Q},KW_{i}^{K},VW_{i}^{V})
headi=Attention(QWiQ,KWiK,VWiV)
W i Q ∈ R d m o d e l × d k W_{i}^{Q}\in \mathbb{R}^{d_{model}\times d_{k}} WiQ∈Rdmodel×dk， W i K ∈ R d m o d e l × d k W_{i}^{K}\in \mathbb{R}^{d_{model}\times d_{k}} WiK∈Rdmodel×dk， W i V ∈ R d m o d e l × d v W_{i}^{V}\in \mathbb{R}^{d_{model}\times d_{v}} WiV∈Rdmodel×dv， W O ∈ R h d v × d m o d e l W^{O}\in \mathbb{R}^{hd_{v}\times d_{model}} WO∈Rhdv×dmodel
Feed Forward
这是一个由两层神经元组成的前向传播网络，第一层的激活函数是relu，第二层的激活函数是identity。第二层的输出维度和第一层的输入维度相同。
Add&Norm
Add的意思就是将上一层的输出结果和它的输入值相加，Norm就是经典的LayerNorm了。
输入序列中每个位置的单词都有自己独特的路径流入编码器。在自注意力层中，这些路径之间存在依赖关系。而前馈（feed-forward）层没有这些依赖关系。因此在前馈（feed-forward）层时可以并行执行各种路径。
Decoder部分
顶端编码器的输出之后会变转化为一个包含向量K（键向量）和V（值向量）的注意力向量集 。这些向量将被每个解码器用于自身的“编码-解码注意力层”，而这些层可以帮助解码器关注输入序列哪些位置合适
Masked multi-head attention: 和编码部分的multi-head attention类似
解码器中的自注意力层表现的模式与编码器不同：在解码器中，自注意力层只被允许处理输出序列中更靠前的那些位置。在softmax步骤前，它会把后面的位置给隐去。
Multi-Head Attention
这个“编码-解码注意力层”工作方式基本就像多头自注意力层一样，它是通过在它下面的自注意力层来创造查询矩阵，并且从Encoder编码器的输出中取得键/值矩阵。
Linear
解码组件最后会输出一个实数向量。线性变换层要做的工作是把浮点数变成一个单词。
线性变换层是一个简单的全连接神经网络，它可以把解码组件产生的向量投射到一个比它大得多的、被称作对数几率（logits）的向量里。
Softmax 层
不妨假设我们的模型从训练集中学习一万个不同的英语单词（我们模型的“输出词表”）。因此对数几率向量为一万个单元格长度的向量——每个单元格对应某一个单词的分数。
接下来的Softmax 层便会把那些分数变成概率（都为正数、上限1.0）。概率最高的单元格被选中，并且它对应的单词被作为这个时间步的输出。
解码（decoding ）阶段的每一个时间步都输出一个翻译后的单词（这里的例子是英语翻译）。重复这个过程，直到输出一个结束符，Transformer 就完成了所有的输出。每一步的输出都会在下一个时间步输入到下面的第一个解码器。Decoder 就像 Encoder 那样，从下往上一层一层地输出结果。正对如编码器的输入所做的处理，我们把解码器的输入向量，也加上位置编码向量，来指示每个词的位置。
5498
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
