encoder decoder模型_Pytorch学习记录-Transformer（数据预处理和模型结构）

Pytorch学习记录-torchtext和Pytorch的实例6

0. PyTorch Seq2Seq项目介绍

在完成基本的torchtext之后，找到了这个教程，《基于Pytorch和torchtext来理解和实现seq2seq模型》。 这个项目主要包括了6个子项目

1. ~~使用神经网络训练Seq2Seq~~
2. ~~使用RNN encoder-decoder训练短语表示用于统计机器翻译~~
3. ~~使用共同学习完成NMT的堆砌和翻译~~
4. ~~打包填充序列、掩码和推理~~
5. ~~卷积Seq2Seq~~
6. Transformer

6. Transformer

OK，来到最后一章，Transformer，又回到这个模型啦，绕不开的，依旧没有讲解，只能看看代码。 来源不用说了，《Attention is all you need》。Transformer在之前复习了多次，这次也一样，不知道教程会如何实现，反正之前学得挺痛苦的。

6.1 准备数据

这里使用了一个新的数据集TranslationDataset，机器翻译数据集是 TranslationDataset 类的子类。

import torchimport torch.nn as nnimport torch.optim as optimimport torch.nn.functional as Fimport torchtext#机器翻译数据集是 TranslationDataset 类的子类。from torchtext.datasets import TranslationDataset, Multi30kfrom torchtext.data import Field, BucketIteratorimport spacyimport randomimport mathimport osimport timeSEED=1234random.seed(SEED)torch.manual_seed(SEED)torch.backends.cudnn.deterministic=Truespacy_de = spacy.load('de')spacy_en = spacy.load('en')def tokenize_de(text): return [tok.text for tok in spacy_de.tokenizer(text)]def tokenize_en(text): return [tok.text for tok in spacy_en.tokenizer(text)]SRC=Field(tokenize=tokenize_de, init_token='', eos_token='', lower=True, batch_first=True)TRG=Field(tokenize=tokenize_en, init_token='', eos_token='', lower=True, batch_first=True)train_data,valid_data,test_data=Multi30k.splits( exts=('.de','.en'), fields=(SRC, TRG))SRC.build_vocab(train_data,min_freq=2)TRG.build_vocab(train_data,min_freq=2)device=torch.device('cuda' if torch.cuda.is_available() else 'cpu')print(device)BATCH_SIZE=128train_iterator, valid_iterator, test_iterator=BucketIterator.splits( (train_data,valid_data,test_data), batch_size=BATCH_SIZE, device=device)cuda

6.2 构建模型

6.2.1 encoder和decoder

Transformer模型使用经典的encoer-decoder架构，由encoder和decoder两部分组成。 可以看到两侧的N_x表示encoer和decoder各有多少层。

在原始论文中，encoder和decoder都包含有6层。 encoder的每一层是由一个Multi head self-attention和一个FeedForward构成，两个部分都会使用残差连接(residual connection)和Layer Normalization。 decoder的每一层比encoder多了一个multi-head context-attention，即是说，每一层包括multi-head context-attention、Multi head self-attention和一个FeedForward，同样三个部分都会使用残差连接(residual connection)和Layer Normalization。 encoder和decoder通过context-attention进行连接。 对比会发现，红框是相同的，蓝框是多出来的那个block。

6.2.2 使用多种attention机制(multi-head context-attention、multi-head self-attention)

在图中，每块就是一个block，可以看到里面所使用的机制。似乎都有一个***-attention attention对于某个时刻的输出y，它在输入x上各个部分的注意力。这个注意力实际上可以理解为权重。

看到了encoder和decoder里面的block，就自然会考虑“什么是Attention”。

前面已经说了，Attention实际上可以理解为权重。attention机制也可以分成很多种。Attention? Attention!一文有一张比较全面的表格

6.2.2.1 multi head self-attention

attention机制有两个隐状态，分别是输入序列隐状态$hi$和输出序列隐状态$st$，前者是输入序列第i个位置产生的隐状态，后者是输出序列在第t个位置产生的隐状态。 所谓multi head self-attention实际上就是输出序列就是输入序列，即是说计算自己的attention得分，就叫做self-attention。

6.2.2.2 multi head context-attention

multi head context-attention是encoder和decoder之间的attention，是两个不同序列之间的attention，与self-attention相区别。

6.2.2.3 如何实现Attention？

Attention的实现有很多种方式，上面的表列出了7种attention，在Transformer中，使用的是scaled dot-product attention。

为什么使用scaled dot-product attention。Google给出的解答就是Q(Query)、V(Value)、K(Key)，注意看看这里的描述。通过query和key的相似性程度来确定value的权重分布。

$$Attention(Q,K,V)=softmax(frac{QK^T}{sqrt{dk}})V$$ scaled dot-product attention 和 dot-product attention 唯一的区别就是，scaled dot-product attention 有一个缩放因子， 叫$frac{1}{sqrt{dk}}$。$dk$ 表示 Key 的维度，默认用 64。 使用缩放因子的原因是，对于dk很大的时候，点积得到的结果维度很大，使得结果处于softmax函数梯度很小的区域。而在梯度很小的情况时，对反向传播不利。为了克服这个负面影响，除以一个缩放因子，可以一定程度上减缓这种情况。

我们对比一下公式和论文中的图示。 $$Attention(Q,K,V)=softmax(frac{QK^T}{sqrt{d_k}})V$$

以下为实现scaled dot-product attention的算法和图示对比，我尽量搞得清楚点。

可以发现scale就是比例的意思，所以多了scale就是多了一个$frac{1}{sqrt{d_k}}$。

接下来就是一个softmax，然后与V相乘

在decoder的self-attention中，Q、K、V都来自于同一个地方(相等)，它们是上一层decoder的输出。对于第一层decoder，它们就是word embedding和positional encoding相加得到的输入。但是对于decoder，我们不希望它能获得下一个time step(即将来的信息)，因此我们需要进行sequence masking。可以看到里面还有一个Mask，这个在下面会详细介绍。

6.2.2.4 如何实现multi-heads attention？

理解了Scaled dot-product attention，Multi-head attention也很简单了。论文提到，他们发现将Q、K、V通过一个线性映射之后，分成h份，对每一份进行scaled dot-product attention效果更好。然后，把各个部分的结果合并起来，再次经过线性映射，得到最终的输出。这就是所谓的multi-head attention。上面的超参数h就是heads数量。论文默认是8。 Multi-head attention允许模型加入不同位置的表示子空间的信息。 我们对比一下公式和论文中的图示。

$${MultiHead}(Q,K,V) = {Concat}({head}_ 1,dots,{head}_ h)W^O$$ 其中 $${head}_ i = {Attention}(QWi^Q,KWi^K,VW_i^V)$$

6.2.3 使用Layer-Normalization机制

Normalization的一种，把输入转化成均值为0方差为1的数据。是在每一个样本上计算均值和方差。 层归一对应的是每个block中的Norm

层归一(Layer Normalization)与批归一(Batch Normalization)的区别就在于：

• BN在每一层的每一批数据上进行归一化(计算均值和方差)
• LN在每一个样本上计算均值和方差 层归一公式 $$LN(xi)=alphaimesfrac{xi-uL}{sqrt{sigmaL^2+epsilon}}+beta$$ 其中$u_L$是x最后一个维度的均值(看实现的源码是这样解释，但是为什么是最后一个维度呢) 层归一示意图

6.2.4 使用Mask机制

用于对输入序列进行对齐。这里使用的是padding mask和sequence mask。 mask掩码，在Transformer中就是对某些值进行掩盖，使其在参数更新时不产生效果。

Transformer模型涉及两种mask。

• padding mask
• sequence mask，这个在之前decoder中已经见过，使用在multi-heads context-attention中。 其中，padding mask在所有的scaled dot-product attention里面都需要用到，而sequence mask只有在decoder的multi-heads context-attention里面用到。

• 所以，我们之前ScaledDotProductAttention的forward方法里面的参数attn_mask在不同的地方会有不同的含义。这一点我们会在后面说明。

6.2.4.1 padding mask

说白了就是对齐每一句话，每个批次输入序列长度是不一样的。就是说要以最长的那句话为标准，其他句子少一个词就填充一个0。因为这些填充的位置是没有意义的，attention机制不应该把注意力放在这些位置上，所以我们需要进行一些处理。

操作方法就是把这些位置的值加上一个非常大的负数(可以是负无穷)，这样的话，经过softmax，这些位置的概率就会接近0。

padding mask是一个张量，每个值都是一个Boolen，值为False的地方就是我们要进行处理的地方。

6.2.4.2 sequence mask

sequence mask是为了使得decoder不能看见未来的信息。也就是对于一个序列，在time_step为t的时刻，我们的解码输出应该只能依赖于t时刻之前的输出，而不能依赖t之后的输出。因此我们需要想一个办法，把t之后的信息给隐藏起来。 这部分具体操作：产生一个上三角矩阵，上三角的值全为1，下三角的值全为0，对角线也是0。把这个矩阵作用在每一个序列上。 没看懂，好像第一次看这部分也是没看懂，等下实现的时候看看吧，不知道这句话的意思。

6.2.5 使用残差residual connection

避免梯度消失。 残差连接对应的是每个block中的add

残差连接示意图如下。

假设网络中某个层对输入x作用(比如使用Relu作用)后的输出是$F(x)$，那么增加residual connection之后，就变成了： $$F(x)+x$$ 这个+x操作就是一个shortcut。 那么残差结构有什么好处呢？显而易见：因为增加了一项x，那么该层网络对x求偏导的时候，多了一个常数项1。在反向传播过程中，梯度连乘，也不会造成梯度消失。

6.2.6 使用Positional-encoding

对序列中的词语出现的位置进行编码。这样模型就可以捕捉顺序信息。 在处理完模型的各个模块后，开始关注数据的输入部分，在这里重点是位置编码。与CNN和RNN不同，Transformer模型对于序列没有编码，这就导致无法获取每个词之间的关系，也就是无法构成有意义的语句。

为了解决这个问题。论文提出了Positional encoding。核心就是对序列中的词语出现的位置进行编码。如果对位置进行编码，那么我们的模型就可以捕捉顺序信息。

论文使用正余弦函数实现位置编码。这样做的好处就是不仅可以获取词的绝对位置信息，还可以获取相对位置信息。 $$PE(pos,2i) = sin(pos/10000^{2i/d{model}})$$ $$PE(pos,2i+1) = cos(pos/10000^{2i/d{model}})$$ 其中，pos是指词语在序列中的位置。可以看出，在偶数位置，使用正弦编码，在奇数位置，使用余弦编码。

相对位置信息通过以下公式实现 $$sin(alpha+beta) = sinalpha cosbeta + cosalpha sinbeta$$ $$cos(alpha+beta) = cosalpha cosbeta - sinalpha sinbeta$$ 上面的公式说明，对于词汇之间的位置偏移k，$PE(pos+k)$可以表示成$PE(pos)$和$PE(k)$的组合形式，这就是表达相对位置的能力。

6.2.7 Position-wise Feed-Forward network

除了attention子层之外，encoder和decoder中的每个层都包含一个完全连接的前馈网络(Feed-forward network)，该网络分别和相同地应用于每个位置。这包括两个线性变换和一个ReLU激活。 $$FFN(x)=max(0,xW1+b1)W2+b2$$ 虽然线性变换在不同位置上是相同的，但它们在层与层之间使用不同的参数。另一种描述这种情况的方法是两个内核大小为1的卷积。输入和输出的维数是512，而中间层维度为2048。