Transformer Encoder-Decoer 结构回顾

有关于Transformer、BERT及其各种变体的详细介绍请参照笔者另一篇博客：最火的几个全网络预训练模型梳理整合（BERT、ALBERT、XLNet详解）。

本文基于对T5一文的理解，再重新回顾一下有关于auto-encoder、auto-regressive等常见概念，以及Transformer-based model的decoder结构。

图源：https://twitter.com/nash_su/status/1639915613727641608

1. Auto-encoder & Auto-regressive Language Model

1.1 Auto-encoder

类似于BERT、ALBERT、RoBERTa这类，encoder-only的language model。

优点：

• 能够保证同时上下文。

缺点：

• token之间的条件独立假设。违反自然语言生成的直觉性。
• encoder-only的时候，预训练目标不能和很多生成任务一致。

而结合预训练的时候的objective，像BERT这类Masked Language Model （MLM）又可以叫做denoised Auto-encoder（去噪自编码）。

1.2 Auto-regressive

类似于ELMO、GPT这类，时序LM和decoder-only LM。

传统的时序Language Model ，类似于RNN、ELMO，严格意义上不能叫做decoder；只是后来出现了大量基于transformer的auto-regressive LM，比方说GPT等，它们都是用作文本生成直接解码输出结果。所以在”transformer时代“下，Auto-regressive现在很多时候也被简单地理解为decoder-only。大致概念可以按下图理解：

优点：

• 无条件独立假设。
• 预训练可以直接做生成任务，符合下游生成任务的objective。

缺点：

• 不能同时双向编码信息（像ELMO这种是”伪双向“，而且容易“透露答案”）。

而目前自然语言处理的auto-regressive结构，大多基于Transformer；像传统时序LM，ELMO这种也已经快被遗忘了。

2. Transformer-based Model 结构概览

如前文所述，我们目前理解LM （autoencoder & autoregressive），大多是基于transformer的结构的。所以这一节暂时不讨论传统时序LM，ELMO这种。

T5一文¹曾对Transformer的经典结构进行过概述，主要分为以下三种：

1. Encoder-only Language Model：也即Auto-encoder。如第一节所述，特点是，能同时双向编码。代表有：BERT、RoBERTa等。
2. Decoder-only Language Model（上图，中）：也即Auto Regressive （不包括传统的时序模型），可以简单理解成只有Decoder。特点是，只能看到前文信息（因为decoder-only）。代表有：GPT等。
3. Encoder-Decoder：也即Auto-encoder + Auto regressive（上图，左）。最原始的Transformer结构，encoder和decoder都有self-attentino支持，decoder还有额外的cross-attention用来结合encoder的输出信息。特点是，encoder能够同时看到上下文双向信息，而decoder只能看到前文信息。代表有：BART、T5等，这也使得这类模型特别适合生成式任务。
4. Prefix LM：可以简单地理解为Encoder-Decoder结构的变形（上图，右）。特点是，一部分像 Encoder 一样，能看到上下文信息；而其余部分则和 Decoder 一样，只能看到过去信息。代表有UniLM等·。

而Transformer结构，如果想要实现所谓的，“同时上下文信息”、“只看到前文信息”，则需要依赖masked attention，因为transformer的self-attention，默认是全文计算attention，想要部分不可见，就得mask。这一点和传统时序LM不一样，像RNN这种，下一个token依赖于前文的hidden state，天然地就只能看到前文信息。

下面就以Encoder-Decoder LM为例，讲一下如何使用attention，实现encoder看到全文，而decoder只看到前文。 顺带介绍一下encoder的decoder的具体运作区别，因为区别之一就是这个attention机制。

3. Encoder / Decoder间的区别 & Masked Attention机制

这里以T5的代码为例。Transformer中的mask其实分为两种：1）padding mask；2）sequence mask。

3.1 Padding mask vs. Sequence mask

padding mask很简单，就是我们常用的同一个batch里面，把那些较短的样本，补至最长的样本长度。因为这些填充的位置，其实是没什么意义的，所以Attention机制不应该把注意力放在这些位置上，自然会在padding 位置进行attention mask。这个操作在encoder和decoder中都有用到，只是一个简单的tensor批量运算操作。

sequence mask是为了使得Decoder只能看见上文信息。所以当前step之后的文本信息，都会被mask掉。这个操作仅在decoder中使用。

总而言之，上述两种mask方式中，sequence mask是用于实现模型是否可见后文信息的关键。

3.2 Encoder

Encoder用的是全部的上下文信息，所以这边的sequence mask全部为0，形状为【batch_size, 1,1, seq_len】:

3.3 Decoder

Dncoder用的是前文的信息，所以这边的attention mask是一个矩阵 （seq_len * seq_len），其中下三角全0，迫使模型只能看到输入中的前文信息。如下图所示，sequence mask的实际形状为【batch_size, 1, seq_len, seq_len】

3.4 Encoder 和Decoder的区别

这里最后再简单总结一下Encoder-Decoder结构的LM，其Encoder和Decoder之间的区别。

首先，decoder有三层，sub-layer[1]计算self-attention，sub-layer[2]计算cross-attention，sub-layer[3]则是Linear层把最终hidden印射为vocab_size的logits。

sub_layer_1 (self-attention): 
	- inputs: 
		- [when doing train]: decoder_input_ids + sequence_mask_attention 
		- [when doing test]:  predicted tokens
	- outputs: hidden_states_1
		 
sub_layer_2 (cross-attention): 
	- inputs: hidden_state_1 (query) and encoder_hidden_states (key & value)
	- outputs: hidden_states_2

sub_layer_3 (linear+softmax): 
	- inputs: hidden_states_2
	- outputs: logits (vocab probability)

所以decoder相较于encoder，其大部分结构和计算都是一样的，只不过多出这三个部分：

1. sequence mask：Decoder在计算sub-layer[1]的self-attention时，有sequence mask机制，确保只看到前文信息；而Encoder则没有这部分mask机制，计算self-attention时默认看到全文。（这里指的训练阶段，decoder在预测阶段也没有sequence mask，具体参见本文第4节）
2. cross-attention：Decoder的sub_layer[2]会计算cross-attention。具体来讲，这一层会使用encoder的output hidden作为k,v，而sub-layer[1]的self-attention的output作为q，来进行self-attention的计算。这是为了让decoder充分融合encoder端的全部上下文信息，所以名为“cross-attention”。
3. linear+softmax：最后sub_layer[3]会有一个映射层，输出每个token的词表概率预测。

4. Decoder 在训练、预测前后的区别

Encoder在训练和测试时，没有计算上的变化。

但是Decoder结构，在模型推理时，和先前训练时，工作方式会存在一定的区别。

为了方便理解，首先介绍更简单的推理过程，然后引出训练过程的不同。

4.1 推理

auto-regressive LM在模型test的时候，预测下一个词，会基于之前的所有预测结果。

而一开始，为了能够生成第一个词，需要传入一个special token，我们称之为"start letter"。不同模型的start letter不一样 (e.g., T5就是ids为0的padding token；其他很多模型，像BERT就是BOS token)。

如上图，模型预测了第一个词的词表概率分布之后，我们取最高概率的那个词作为预测结果 （i.e., greedy decode, 也可以使用multinomial sampling，beam search等其他方案）。

比方说，这里就是“Ich”这个词。

然后第二步，我们就把start letter + "ich"这两个词作为新的输入，让模型预测下一个词。

同样的，下一个词预测出来之后，我们重复上述的步骤，继续把先前预测的所有词(start letter + predicted tokens)作为新的输入，继续让模型预测。直到模型预测出"ending letter" (e.g., EOS)，结束预测。

总而言之，如下图所示，右手边的decoder，会利用先前已经生成的tokens作为新的输入，来预测下一个词。而下一个词的概率，则是上一个词的输出结果。比方说，下图中的“Ich”这个词，是由BOS的输出结果“I₁”概率分布决定的。

由于decoder的目标就是利用已有的tokens，预测下一个token，所以decoder这里会有一个input和output的"错位"（如上图，y₁ == “Ich” 对应的输出其实是“I₂”），理解的时候需要稍微注意一下。

有关于transformer框架，如果利用常规的forward()接口实现推理时，需要额外注意的就是start letter，必须有start letter，而且也必须是正确的start letter。
所以，在使用decoder模型进行预测推理的时候，官方推荐调用统一接口generate()，会自动帮你的input加上模型的start letter。
具体请参照官网：Text Generation,查看更多有关于generate()的参数，以及sampling策略。

4.2 训练

训练时，会采用经典的teacher forcing 操作。

其核心思想在于：对于auto-regressive LM，下一个词的预测是需要基于前面所有已经预测的词；而在训练的过程中，如果让模型利用自己的预测结果，来预测下一个词，模型很难预测对（误差传播），这样越往后的token，loss就越大。总之，这样会造成优化困难。

所以，在训练的时候，我们会给模型提供正确答案作为decoder的输入，目的是为了只惩罚当前待预测的token，而不把先前模型预测的误差计算进来。 更多有关于teacher forcing的细节，详见这篇博客：教师强制.

4.2.1 具体实现

从transformer框架的代码实现来讲，不同于预测推理，训练时的decoder会有一个额外的输入，称之为decoder_input_ids。也就是先前提到的，我们会给模型提供正确的答案作为输入。

它大概长这个样子：

如上图，我们会发现，decoder_input_ids和正确答案labels的内容几乎是一摸一样的。

唯一的差别，就在于：labels是tokens + ending letter；而decoder_input_ids是start letter + tokens。照应之前提到过的，decoder的输入、输出“错位”。

有人就会说，这里一开始就把所有正确的tokens都作为输入了，不就把正确答案都透露给模型了吗。这里的话，就照应前面提到过的sequence mask，在预测下一个词的时候，我们只提供前面的序列，而后面的序列（包括待预测的这个词），我们都会把输入进行mask。

比方说：

• step1

decoder_input_ids = [0,10747,7,15]
sequence_mask     = [0,1,1,1]
labels            = [10747,7,15,1]

这样一来，decoder的self-attention就只看到第一个词，也就是0（start letter）。目标是为了预测第二个词的概率。这个概率后续和labels的第一个词，即10747，进行cross entropy的计算。

• step2

decoder_input_ids = [0,10747,7,15]
sequence_mask     = [0,0,1,1]      ## sequence mask changed
labels            = [10747,7,15,1]

随后，mask发生变化，decoder的self-attention就看到两个词，一个还是0（start letter），另一个就是我们给他提供的正确答案10747。

这里也就照应前文第三节，为什么sequence mask是一个下三角全0的矩阵。 因为每次预测下一个词，都对应sequence mask矩阵的一行。

有没有发现，其实和推理的过程是一样的，唯一的区别就在于，我们不是给模型提供了它自己的已预测结果，而是提供了对应的答案。然后用sequence mask确保之后的答案不被泄露。

• step n

decoder_input_ids = [0,10747,7,15]
sequence_mask     = [0,0,0,0]      ## all decoder_input_ids can be seen
labels            = [10747,7,15,1]

一直重复上述，直到达到最大长度（teacher forcing的思想，我们已经知道答案的最终长度，不是让模型预测出ending letter才结束）。

这时，模型已经可见所有的decoder_input_ids，目标是为了预测最后一个词的概率。用这个概率和labels的最后一个词，也就是1 (ending letter)进行loss的计算。

带decoder的模型，一般都内带一个名为prepare_decoder_input_ids_from_labels的方法，可以将labels构造成decoder_input_ids（如上所述，其实就是shift，把labels错位了一下）。

具体可以参见官网：https://huggingface.co/docs/transformers/v4.23.1/en/model_doc/plbart#transformers.PLBartTokenizer.build_inputs_with_special_tokens

---

这里再额外推荐一篇又关于大语言模型的survey, 其中也包含了很多对于语言模型encoder、decoder的总结：

• paper
• paper list

---

另外，再放点tweet上的一些讨论 (两个人的观点其实都是对的，只不过描述的角度不太一样；相对而言，Yi tay的描述更加清楚)：

• Yann LeCun @ Meta

• Thread
  

• Yi Tay @ GoogleBrain

• Thread

---

参考

• [1] Raffel C, Shazeer N, Roberts A, et al. Exploring the limits of transfer learning with a unified text-to-text transformer[J]. J. Mach. Learn. Res., 2020, 21(140): 1-67.；paper
• [2] 知乎——T5 模型：NLP Text-to-Text 预训练模型超大规模探索
• [3] 知乎——【精华】BERT，Transformer，Attention（中）
• [4] CSDN——最火的几个全网络预训练模型梳理整合（BERT、ALBERT、XLNet详解）
• [5] Huggingface 官方对于encoder-decoder的讲解 (官方提供的非常好的一篇notebook)