Transformer详解

zzzyan10

已于 2023-04-19 19:07:20 修改

阅读量2.7k

点赞数 3

文章标签： transformer 深度学习人工智能

于 2023-04-19 18:56:18 首次发布

本文链接：https://blog.csdn.net/weixin_48912485/article/details/130247824

版权

Transformer是一个基于Encoder-Decoder架构的模型，其核心是Self-Attention和Multi-HeadAttention。输入通过Tokenizer和Embedding转化为向量，结合PositionalEncoding保留顺序信息。Encoder由多个EncoderBlock组成，包含Multi-HeadAttention和Feed-ForwardNetwork。Decoder则在预测时使用MaskedMulti-HeadAttention防止未来信息泄露。最终，经过线性变换和Softmax得到输出概率分布。

摘要由CSDN通过智能技术生成

Transformer 原理

Transformer整体结构

Transformer是一个基于Encoder-Decoder框架的模型。

1.Transformer的inputs 输入

Transformer输入是一个序列数据。

Tokenizer：将单词转换为标记。

Embedding：将标记转换为多维向量。

Embedding是将文本转换为数字的桥梁，文本Embedding将每一段文本转换成一个数字向量(一个列表)。如果两段文本相似，那么它们对应向量中的数字应该也是彼此相似的。

以"Tom chase Jerry" 翻译成中文"汤姆追逐杰瑞"为例：

假设上图中每一个词向量都是一个512维的词向量。

通过Embedding技术，我们将句子中的每个单词都转换成了向量，下一步就是将所有这些向量都变成一个向量来处理。将一堆向量变成一个向量的最常见方法就是进行分量相加。对于含有相同词的两个句子，词的排列顺序不一样，这两句话的意思也是不同的。Transformer 的是完全基于self-Attention，而self-attention是不能获取词语位置信息地，就算打乱一句话中词语的位置，每个词还是能与其他词之间计算attention值。因此，我们采用位置编码（Positional encoding），为这两个句子提供不同的向量。

positional encoding 的获取：
1.可以通过数据训练学习得到positional encoding，类似于训练学习词向量，bert中的positional encoding便是由训练得到地。
2.《Attention Is All You Need》论文中Transformer使用的是正余弦位置编码。位置编码通过使用不同频率的正弦、余弦函数生成，然后和对应的位置的词向量相加，位置向量维度必须和词向量的维度一致。

pos表示单词在句子中的绝对位置，pos=0，1，2…，例如：Jerry在"Tom chase Jerry"中的pos=2；dmodel表示词向量的维度，在这里dmodel=512；2i和2i+1表示奇偶性，i表示词向量中的第几维，例如这里dmodel=512，故i=0，1，2…255。

2.Transformer的Encoder

Encoder block是由6个encoder堆叠而成，Nx=6。上图2中的灰框部分就是一个encoder的内部结构，从图中我们可以看出一个encoder由Multi-Head Attention 和全连接神经网络Feed Forward Network构成。

self-attention，假如输入序列是"Thinking Machines"，x1，x2就是对应地"Thinking"和"Machines"添加过位置编码之后的词向量，然后词向量通过三个权值矩阵，转变成为计算Attention值所需的Query，Keys，Values向量。

得到Q，K，V之后，接下来就是计算Attention值了。
步骤1：输入序列中每个单词之间的相关性得分，上篇中说过计算相关性得分可以使用点积法，就是用Q中每一个向量与K中每一个向量计算点积，具体到矩阵的形式： $score=Q\cdot K^{T}$ ,socre是一个(2,2)的矩阵。
步骤2：对于输入序列中每个单词之间的相关性得分进行归一化，归一化的目的主要是为了训练时梯度能够稳定。 $score=score/\sqrt{d_{k}}$ ，dk就是K的维度，以上面假设为例，dk=64
步骤3：通过softmax函数，将每个单词之间的得分向量转换成[0,1]之间的概率分布，同时更加凸显单词之间的关系。经过softmax后，score转换成一个值分布在[0,1]之间的(2,2)α概率分布矩阵
步骤4：根据每个单词之间的概率分布，然后乘上对应的Values值，α与V进行点积， $Z=softmax(score)\cdot V$ ，V的为维度是(2,64)，(2,2)x(2,64)最后得到的Z是(2,64)维的矩阵。

Multi-Head Attention：

Multi-Head Attention 很简单，就是在self-attention的基础上，对于输入的embedding矩阵，self-attention只使用了一组 $W^{Q},W^{K},W^{V}$ 来进行变换得到Query，Keys，Values。而Multi-Head Attention使用多组 $W^{Q},W^{K},W^{V}$ 得到多组Query，Keys，Values，然后每组分别计算得到一个Z矩阵，最后将得到的多个Z矩阵进行拼接。Transformer里面是使用了8组不同的 $W^{Q},W^{K},W^{V}$ 。

在这里插入图片描述

从上图中可以看到，在经过Multi-Head Attention得到矩阵Z之后，并没有直接传入全连接神经网络FNN，而是经过了一步：Add＆Normalize。

Add(ResNet 残差神经网络）

Add，就是在Z的基础上加了一个残差块X，加入残差块X的目的是为了防止在深度神经网络训练中发生退化问题，退化的意思就是深度神经网络通过增加网络的层数，Loss逐渐减小，然后趋于稳定达到饱和，然后再继续增加网络层数，Loss反而增大。

Normalize(LN)

1.能够加快训练的速度。

2.提高训练的稳定性。

Feed-Forward Networks

在这里插入图片描述

这里的全连接层是一个两层的神经网络，先线性变换，然后ReLU非线性，再线性变换。

FFN 相当于将每个位置的Attention结果映射到一个更大维度的特征空间，然后使用ReLU引入非线性进行筛选，最后恢复回原始维度。

3.Transformer的Decoder

在这里插入图片描述

Transformer Decoder的输入

Decoder的输入分为两类：
一种是训练时的输入，一种是预测时的输入。训练时的输入就是已经对准备好对应的target数据。例如翻译任务，Encoder输入"Tom chase Jerry"，Decoder输入"汤姆追逐杰瑞"。预测时的输入，一开始输入的是起始符，然后每次输入是上一时刻Transformer的输出。例如，输入""，输出"汤姆"，输入"汤姆"，输出"汤姆追逐"，输入"汤姆追逐"，输出"汤姆追逐杰瑞"，输入"汤姆追逐杰瑞"，输出"汤姆追逐杰瑞"结束。

Masked Multi-Head Attention

与Encoder的Multi-Head Attention计算原理一样，只是多加了一个mask码。mask 表示掩码，它对某些值进行掩盖，使其在参数更新时不产生效果。Transformer 模型里面涉及两种 mask，分别是 padding mask 和 sequence mask。

1.padding mask
每个批次输入序列长度是不一样的，我们要对输入序列进行对齐。具体来说，就是给在较短的序列后面填充 0。但是如果输入的序列太长，则是截取左边的内容，把多余的直接舍弃。因为这些填充的位置，其实是没什么意义的，所以我们的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。
具体的做法是，把这些位置的值加上一个非常大的负数(负无穷)，这样的话，经过 softmax，这些位置的概率就会接近0！

2.sequence mask
sequence mask 是为了使得 decoder 不能看见未来的信息。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。这在训练的时候有效，因为训练的时候每次我们是将target数据完整输入进decoder中地，预测时不需要，预测的时候我们只能得到前一时刻预测出的输出。

基于Encoder-Decoder 的Multi-Head Attention
Encoder中的Multi-Head Attention是基于Self-Attention地，Decoder中的第二个Multi-Head Attention就只是基于Attention，它的输入Quer来自于Masked Multi-Head Attention的输出，Keys和Values来自于Encoder中最后一层的输出。