机器学习笔记5-2：Transformer

*注:本博客参考李宏毅老师2020年机器学习课程. 视频链接

---

本节可参考原文：Attention Is All You Need.

1 Seq2seq

在上一节中提到，模型的输入和输出有多种不同的类型，我们使用Self-Attention来处理输入和输出都是定长序列的情况。对于输入和输出都是不定长序列的问题，称为Seq2seq，这一届我们将会讲到如何处理这样的问题。以下是一些典型的Seq2seq问题：

• 语音识别、机器翻译、语音翻译、语音生成、人机对话、文法剖析；
• 多标签分类：一个物体对应多个类别的分类问题；
• 目标检测：一张图片中包含多个待检测目标的位置，参考End-to-End Object Detection with Transformers;

Seq2seq问题的解决方案一般都有Encoder和Decoder两个部分，Encoder接收输入数据，处理后传递给Decoder，Decoder再次对数据进行处理产生输出数据。

2 Encoder

Encoder要做的事情，就是输入一排向量，输出一排同样长的向量。因此可以使用Self-Attention来完成，此外，CNN、RNN也都能够胜任这件事情。在Transformer中使用到的就是Self-Attention。但是除此之外，Transformer还是用了一些其他的结构。

(图1，来自李宏毅2021春机器学习课程)
在图1中描述了Transformer的Encoder中的block的结构，从下往上依次进行：

1. embeding：将一些嵌入层嵌入到原始的输入，以添加一些辅助信息；
2. Positional Encoding：将这一组输入中每一个输入在序列中的位置信息添加到输入中，具体做法就是将一个位置相关的矩阵与输入做加法；
3. Multi-Head Attention：也就是Self-Attention的进阶；
4. Add：指的是残差连接，即将Self-Attention结构的输出与输入做加法，这样做可以减少梯度消失的情况；
5. Norm：指的是Layer Normalization，见图2，具体的做法参考：Layer Normalization;
6. Feed Forward：即全连接网络，但注意上一层的每个输出都要接入一个不同的FC网络；
7. Add&Norm：与4和5一致；

整个块可能会重复n次。

(图2，来自李宏毅2021春机器学习课程)
上述网络结构是Attention Is All You Need原文中的结构，实际上我们设计网络结构不一定完全遵循上述结构，修改结构，调整参数，调换各个层之间的顺序，也许能得到更好的结果。深度学习的模型就是如此玄学。下面的一些文章中对Transformer的结构做了一些调整，得到了更好的结果：

• On Layer Normalization in the Transformer Architecture;
• PowerNorm: Rethinking Batch Normalization in Transformers

3 Decoder

常见的Decoder结构包括Autoregressive(AT)和Non Autoregressive(NAT)两种。

3.1 AT

AT结构的Decoder产生输出的过程如图3，我们假设有一个语音识别模型需要识别一段包含“机器学习”的语音片段。

1. 第一步，为Decoder输入一个开始符号BEGIN，Decoder根据输入和Encoder的输出，产生一个输出，假设是汉字“机”；
2. 第二步，将Decoder的输出“机”和Encoder的输出再次作为Decoder的输入，Decoder产生第二个输出，假设是汉字“器”；
3. 重复上述步骤，将输出作为输入，如果模型性能较好，Decoder将完整输出“机器学习”四个汉字。

(图3，来自李宏毅2021春机器学习课程)

上述步骤中有3个问题：

1. 如何让模型输出汉字？
2. 如何让模型停止输出？
3. 如果Decoder输出过程中产生了一个错误的输出，那么后续输出是否会“一步错，步步错”呢？

汉字的产生

我们先来看第一个问题。对于文字的输入和输出，一种常见的作法是，设置一个one-hot编码，将每一个字作为一个分量，例如我们希望模型能够识别常用的4000个汉字，那么我们需要设置一个长为4000的向量，假设“机”是第i个字，那么将该向量的第i个分量设置为1，其余为0.

如何输出不定长向量

对于Seq2seq的问题，由于输出长度的不确定性，让模型有能力输出不同长度的结果是很有必要的。我们可以在one-hot编码中规定一个特殊的分量，表示终止计算，当Decoder输出了这一特殊变量，就停止输出。

避免一步错，步步错

由于AT产生输出是依赖于上一个输出的，为了避免上一个错误的输出对于后来输出的影响，在训练模型时，可以手动添加一些错误的数据（noise），增强模型的健壮性。

(图4，来自李宏毅2021春机器学习课程)

Decoder的网络结构与Encoder相似，如图4，图中与Encoder不同的地方在于：

1. Masked Multi-Head Attention：与普通的self-attention不同，该结构在产生输出时，仅考虑左侧的输入，忽略右侧的输入，如图5；这样做的原因在于，Decoder产生输出是串行的，先产生左侧的输出，再产生右侧的输出。
2. Cross Attention：该模块的输入来自于两部分：Decoder和Encoder，同样使用类似于Self-Attention的计算方法，但是$q$来自于Decoder前半段的输出，$k$和$v$来自Encoder的输出，如图6.关于Cross Attention，还有以下内容可以参考：
   • 比较Cross Attention不同的连接方式：Layer-Wise Cross-View Decoding for Sequence-to-Sequence Learning

(图5，来自李宏毅2021春机器学习课程)

(图6，来自李宏毅2021春机器学习课程)

3.2 NAT

NAT最大的特点在于它能够并行产生输出，只需要一次输入就能够同时产生所有的输出,如图6.

(图7，来自李宏毅2021春机器学习课程)

对于NAT Decoder，输入$n$个BEGIN，就会产生$n$个输出，由于使用了位置编码，所以不必担心同样的输入会产生同样的输出的情况。

使用NAT的问题在于，如何确定需要输入多少个BEGIN才能产生合适的数量的输出呢？

• 一种做法是，在Decoder之前再添加一个分类器，该分类器接收Encoder的输出，产生需要输入到Decoder的BEGIN的数量。
• 还有一种做法，输入数量足够多的BEGIN，并且让Decoder自己在合适的位置产生END，在后续步骤舍弃END右边的输出。
  3.3 AT与NAT的比较
  Decoder | 输出方式 |计算速度 |准确率|输出长度
  --------|---------|--------|------|------
  AT|串行|慢|高|不可控
  NAT|并行|快|低|可控

注：所谓的输出长度可控，意指NAT能够通过手动改变分类器输出值来控制输出的长度，在TTS中表现为说话速度加快或减慢。

3.3 Training

训练时，将BEGIN和正确的输出（ground truth）依次输入Decoder，再将Decoder的输出与ground truth计算交叉熵，通过梯度下降算法最小化该损失函数。注意：由于Decoder需要输出END来结束计算，因此计算交叉熵时，应该在ground truth中添加一个END。

将ground truth作为输入来训练模型的方法称为Teacher Forcing。

训练时，使用交叉熵作为损失函数。测试时，使用BLEU score作为挑选模型的依据。BLEU score比较模型输出与ground truth，得出一个相似度的分数，这种计算无法微分，因此难以用作损失函数。

但是可以使用强化学习（Reinforcement Learning）的方法，将BLEU score作为award来优化模型，参考：Sequence Level Training with Recurrent Neural Networks.

3.4 Tips

3.4.1 Copy Mechanism（复制机制）

在某些任务中，模型需要复制输入中的一些内容，而不是创造它。例如在人机对话任务中，对于用户的姓名、讨论的事件、专有名词等；此外，在摘要任务中，复制是一件经常发生的事情，参考：Get To The Point: Summarization with Pointer-Generator Networks.

Incorporating Copying Mechanism in Sequence-to-Sequence Learning:这篇文章中描述了如何为实现这样的复制机制。

3.4.2 Guided Attention

有时模型训练完成之后会出现一些异常情况，例如对于语音生成任务，模型并没有从左到右使用到所有的数据，这时需要引导模型按照我们想要的方向去运作，就需要使用到Guided Attention技术。

3.4.3 Beam Search

由于在AT的Decoder中，输出是按序依次产生的，每次输出模型都需要在若干个可能的输出中选择一个。这种贪心算法可能无法取得全局的最优值（即全局的soft max 概率最高），Beam Search就是用来解决这种情况的。

然而，并非对于所有的任务来说，全局最优都是最好的结果，有时贪心算法能够取得更好的结果。

3.4.4 Learning rate scheduling

先线性增加学习速率，再以平方根减少学习速率，这样能够再早期的训练轮次中稳定训练效果。

3.4.5 Back-translation（BT）

训练文本翻译模型时，可以同时训练一个逆翻译模型，将目标文本重新转化为外文，再次将这个数据作为翻译模型的输入。