transformer与beter

入门1：从编解码和词嵌入开始，一步一步理解Transformer，注意力机制(Attention)的本质是卷积神经网络(CNN) - YouTube

中英文翻译大概原理就是：把中文的token和英文的token，分别投射到对应的潜空间中（embeding），之后将两个潜空间进行统一

潜空间里面每个位置代表不同的语义，如果单看位置上面的值，不能获得详细的语义。需要将所有特征（也就是不同位置的语义）合起来看，才能代表详细的语义，同理图片的特征也是一样，需要将不同通道（也就是不同特征）上面的点合起来。才能知道图片该店的具体含义

解码和编码器含义

主要是解的码：是语义也就是上下文关系

如图，相当于存在一种上下文语义密切的话，在高维空间具有更近的模长之类的关系

tokizer标记器和one-hot独热编码

实现对token（也就是单位词）做数字化

大概关系就是前者给id，后者给种类标记

但不过这种简单的表示方法不能产生语义关系，也就是
假设手机是（1）苹果是2.这样虽然很近，但其实没有具体的语义关系

前者信息过于密集无法区分语义，后者信息过于稀疏，每个token基本都占据了一个维度

编码解码–语义较好的维度空间

这样既能利用好高维度空间也能利用空间的长度

因此想法有两个：
想法一：使用分词器（tokzier）获得，密集信息，在进行升高维度
想法二：使用独热编码（one-hot）获得稀疏信息，在进行降低维度（压缩数据）

主要是运用想法二的思想

矩阵相乘–空间变换

如果只是向量和矩阵的乘法，那么只会出现向量在新的坐标系下面的旋转和伸缩，也就是空间的变换，但不过值任然是一一对应的

如果采用矩阵相乘这个二次型的方式，就会像函数一样，向量出现形状的变化

下图演示

代表三个向量，也就是三个数据经过空间变换（矩阵），得到新空间的数据，所以规则（矩阵）和数据不能够进行颠倒

编码理解

先把一个文本里面的token（词元）变成独热码（获取稀疏信息），之后在进行降维（获取词元之间的语义关系（这里可以采用之前理解的距离））

总结：这个相当于把输入的一句话根据语义映射到到高维（独热编码），在把它投射到低维空间，这个也就是嵌入过程（embeding）（这个嵌入维度也就是潜空间）

相当于一个token被映射到潜空间之后，向量上面的位置，代表了不同的语义
例如

潜空间里面向量的不同值代表是该语义的程度，我们无法人为可知

如何构造降维的嵌入矩阵–实现到达潜空间

word2vec下面的：
第一个CBOW（邻字模型）

相当于用上下文的token（词元）（可能需要先升维度——独热编码），通过嵌入矩阵，获得嵌入向量，之后进行相加，将结果作为中间词元的嵌入向量，这样就可以于真实的词元向量进行比较了，进行修正

第一个跳字模型同理

最终的目的就是为了获得嵌入矩阵

转化为神经网络如下

只需要训练一个w即可，因为解码过程是一个逆过程，但实际过程好像是都要训练

不需要激活函数，因为只是对向量进行见简单的相加和分解

上面是基础，下面是transformer正文

核心是如何将得到的潜空间（embeding），去理解它的语义–注意力机制

自注意力机制

由于我们需要上下文语义的关系，输入到注意力那块的时候，不能是单个词的词嵌入向量，需要输入多个（T个，嵌入向量维度是Din）

1. 按照原理，输入的词向量组，需要和三个矩阵进行空间变化得到KQV，三个状态矩阵
2. 之后将K,Q其中一个转置相乘，得到T X T的矩阵，之后对改矩阵进行缩放，其实就是缩放它的方差到1上面
   
3. 之后缩放的矩阵进行softmax，这里是按照行进行概率归一（这样获得了注意力分数），最后将其和V相乘，得到输出注意力结果T X Dout

总结：这个注意力分数相当于是该词在上下文关联的修改系数，而V就是该词在嵌入空间的客观语义。

注意力分数–上下文修正系数

转置相乘得到的矩阵是：所有词向量之间的关联性，之后被转化为概率权重（上下文关系），最后用来修正次元的客观语义

为什么需要KQ两个矩阵，并且还是转置，进行相乘？

因为这样就构造了，二次型，能够更好的表达模型的复杂情况，更好的理解语义

需要K和Q，也是因为在上下文语义中，我们需要区分该词的设定语义和表达语义，也就是前后关系，所以猜测需要两个矩阵，KQ

交叉注意力机制

相当于拿到解码器的主观语义里面的设定语义，与解码器的KV，进行操作

其实是相当于有了一份主观语义里面设定语义的参考资料，相当于不需要理解主观语义，学起来很被动，但在机器翻译上面就没有问题

绝对位置编码–对输入的数据进行修饰

将0-n这些数字，通过傅里叶变换到相同嵌入向量的维度

不同语义（特征）之间相互正交，且不同token之间的编码也不相同

相对位置编码–修饰在注意力分数上面

多头注意力机制

大概就是一个token（嵌入向量）进去，经过多头，一个小语义会被学习到更多相似的语义或者更大的跨度，最后通过多头相加综合起来，相当于学习到相似语义的综合语义

解码器掩码—正则残差

在推理过程需要屏蔽掉之后词语的影响

屏蔽掉一个词之后的注意力分数

正测残差
把数据加起来在正则化

残差能够学习到变化的程度

模型框架

每一个解码器的输出，都要拿着解码器的参考去更新差异

推理部分

可能最后的softmax部分的输出是一个，形状确实不变都是，T X Dout，解码器部分提供的是K