Transformer

Transformer

先放一个jalammar博客
更详细的博客
大佬的notebook详解

transformer总体结构

• 为什么有多个encoder呢？：从下往上可以提取表层的词法信息 -> 抽象的语义信息
• encoder到decoder的部分就是attention部分，进行信息传递和交互
• encoder和decoder的数量是一样的

encoder结构

什么是attention？：

• 语言学角度：描述词与词的关联关系
• 机器学习角度：神经网络隐层之间的相似度表示

什么是self-attention？：

• self-attention 表示句子内部词与词之间的关联关系
• 可以解决指代消解等问题

什么是encoder-decoder-attention?:

• 编码序列与解码序列中词与词的关联关系
• 以机器翻译为例：表征翻译中源端到目标可能互译词之间的对应关系

详细的attention计算

Q表示为了编码当前词，需要去注意其它(其实也包括它自己)的词，我们需要有一个查询向量。而Key向量可以认为是每个词的关键的用于被检索的信息，而Value向量是真正的内容。

Self-Attention里的Query不是隐状态，并且来自当前输入向量本身，因此叫作Self-Attention。另外Key和Value都不是输入向量，而是输入向量做了一下线性变换。当然理论上这个线性变换矩阵可以是Identity矩阵，也就是使得Key=Value=输入向量。因此可以认为普通的Attention是这里的特例。这样做的好处是模型可以根据数据从输入向量中提取最适合作为Key(可以看成一种索引)和Value的部分。类似的，Query也是对输入向量做一下线性变换，它让系统可以根据任务学习出最适合的Query，从而可以注意到特定的内容。
为什么除以维度的$\sqrt{d_k}$?:因为Q与K做点积吧方差放大了$d_k$倍，所以我们要把注意力注意力矩阵缩回标准的正态分布，这样可以得到更好的梯度。


$$\sqrt{d_k}表示维度的大小$$

• 新的向量的尺度远小于词向量的尺度，维度为64，这种架构选择可以使（大部分）多头注意力计算不变

多头的attention的好处：

• 机器学习角度：参数变多了，拟合数据的能力变强，可以考虑到不同位置的attention
• 语言学角度：不同的子空间可以表示不同的关联关系（指代、依存、其他的句法信息）对于attention赋予了多个子空间
  
  
  $$把不同的attention进行concatnate然后乘以一个W^0达到压缩的目的，避免后面进行矩阵计算的开销比较大$$

以上可以并行的操作，但是丢失了位置信息，所以我们需要对位置建模

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

Residual connection

Residul Connect 对比深层的神经网络有较好的作用：

1. 直连层：减少信息的丢失
2. Layer Norm 层防止weights过大或者过小的导致梯度消失或者梯度爆炸，保证训练的稳定性

这里需要注意的是：decoder的self-attention是masked的，拿机器翻译来说，我们在翻译的时候只可以看到以前已经翻译的信息，看不到即将翻译的信息

输出层的隐层

损失函数

$$交叉熵或者相对熵$$