文章目录
Transformer模型
Transformer模型是一个基于多头自注意力的序列到序列模型 (seq2seq model),整个网络结构可以分为 编码器 (Encoder)和 解码器 (Decoder)两部分。
这个seq2seq模型输出序列的长度是不确定的。输入一个sequence后,先由Encoder负责处理,再把处理好的结果输入到Decoder中,由Decoder决定最后输出什么样的sequence。Transformer的完整结构如下图所示:
下面就来解析Transformer的结构
Encoder
在seq2seq模型中的Encoder要做的事情就是 输入一排向量,输出另一排向量 。能实现输入一排向量,输出一排向量功能的模型有Self-attention、CNN和RNN等模型,而 Transformer中用到的则是Multi-Head attention模型 。
如上图所示,Transformer中有N个block,每个block中包含了Multi-Head Attention和Fully Connected的Feed Forward Network,它要做的工作如下图所示:
- 先做一个self-attention,输入一排向量,经过self-attention考虑整个sequence的信息后,输出另外一排向量。
- 接下来将输出的这一排向量输入到fully connected的前馈网络中,得到处理后的向量。
上述两个步骤,仅仅是描述了block中完成的大体工作。 Transformer中,在self-attention和fully collected上还额外加了residual connection和layer normalization ,也就是上图中的Add & Norm模块。
Residual Connection & Layer normalization
在self-attention中,输入一排向量,输出的一排向量是考虑了所有input之后的结果。 在Transformer中,这个输出的向量 a a a还要直接加上它对应的输入向量 b b b,然后经过Layer Normalization后,才是这个self-attention最终的输出 。
在fully connected中也增加了同样的residual网络结构,FC网络的输出先直接加上它对应的输入,然后经过layer normalization之后才是FC网络最终的输出。
layer-Norm
层归一化(Layer Normalization)是对一个中间层的所有神经元进行归一化。
对于一个深度神经网络, 令第 l l l 层神经元的净输入为 z ( l ) z^{(l)} z(l) ,其均值和方差为:
μ ( l ) = 1 M l ∑ i = 1 M l z i ( l ) σ ( l ) 2 = 1 M l ∑ i = 1 M l ( z i ( l ) − μ ( l ) ) 2 \begin{aligned} \mu^{(l)} &=\frac{1}{M_{l}} \sum_{i=1}^{M l} z_{i}^{(l)} \\ \sigma^{(l)^{2}} &=\frac{1}{M_{l}} \sum_{i=1}^{M_{l}}\left(z_{i}^{(l)}-\mu^{(l)}\right)^{2} \end{aligned} μ(l)σ(l)2=Ml1i=1∑Mlzi(l)=Ml1i=1∑Ml(zi(l)−μ(l))2
其中
M
l
M_{l}
Ml 为第
l
l
l 层神经元的数量。
层归一化定位为:
z ^ ( l ) = z ( l ) − μ ( l ) σ ( l ) 2 + ϵ ⊙ γ + β ≜ L N γ , β ( z ( l ) ) \begin{aligned} \hat{z}^{(l)} &=\frac{z^{(l)}-\mu^{(l)}}{\sqrt{\sigma^{(l)^{2}+\epsilon}}} \odot \gamma+\beta \\ & \triangleq L N_{\gamma, \beta}\left(z^{(l)}\right) \end{aligned} z^(l)=σ(l)2+ϵz(l)−μ(l)⊙γ+β≜LNγ,β(z(l))
其中 γ \gamma γ 和 β \beta β 分别代表缩放和平移的参数向量, 和 z ( l ) z^{(l)} z(l) 维数相同。
层归一化是单个训练数据对某一层所有神经元之间的归一化.
假设上图中,神经网络只有一个隐藏层
(
Z
=
[
z
1
,
z
2
,
z
3
,
z
4
]
)
,
\left(Z=\left[z_{1}, z_{2}, z_{3}, z_{4}\right]\right) ,
(Z=[z1,z2,z3,z4]), 在训练过程中, 当前批次只有两个训练样本 (
X
1
=
[
x
1
1
,
x
2
1
,
x
3
1
,
x
4
1
]
,
X
2
=
[
x
2
1
,
x
2
2
,
x
3
2
,
x
4
2
]
)
\left.X_{1}=\left[x_{1}^{1}, x_{2}^{1}, x_{3}^{1}, x_{4}^{1}\right], X_{2}=\left[x_{2}^{1}, x_{2}^{2}, x_{3}^{2}, x_{4}^{2}\right]\right)
X1=[x11,x21,x31,x41],X2=[x21,x22,x32,x42])
LN采用如下公式, 进行归一化:
z ^ ( l ) = z ( l ) − μ σ 2 + ϵ ⊙ γ + β \hat{z}^{(l)}=\frac{z^{(l)}-\mu}{\sqrt{\sigma^{2}+\epsilon}} \odot \gamma+\beta z^(l)=σ2+ϵz(l)−μ⊙γ+β
LN的一次归一化过程:
- 使用 X 1 X_{1} X1 计算得到隐藏层所有神经元的净输入 Z 1 = [ z 1 1 , z 2 1 , z 3 1 , z 4 1 ] Z^{1}=\left[z_{1}^{1}, z_{2}^{1}, z_{3}^{1}, z_{4}^{1}\right] Z1=[z11,z21,z31,z41]
- 计算 Z 1 Z^{1} Z1 中所有元素对应的 μ \mu μ 和 σ 2 \sigma^{2} σ2,代入公式进行归一化
LN使用同样的训练数据对同一个隐藏层的所有神经元进行归一化
逐层归一化可以有效地提高训练效率,其原因有以下几个方面:
- 更好的尺度不变性 :在深度神经网络中,一个神经层的输入是之前神经层的输出, 给定一个神经层 l l l,它之前的神经层 ( 1 , ⋯ , l − 1 ) (1, \cdots, l-1) (1,⋯,l−1)的参数变化会导致其输入的分布发生较大的变化 。当使用随机梯度下降来训练网络时,每次参数更新都会导致该神经层的输入分布发生改变。从机器学习角度来看,如果一个神经层的输入分布发生了改变,那么其参数需要重新学习,这种现象叫做 内部协变量偏移(Internal Covariate Shift) 。为了缓解这一问题,我们可以对神经层的输入做归一化,使其分布保持稳定。把每个神经层的输入分布都归一化为标准正态分布,可以使得每个神经层对其输入具有更好的尺度不变性。不论低层的参数怎么变化,高层的输入保持相对稳定。另外,尺度不变性可以使得我们更加高效的进行参数初始化以及超参选择。
- 更平滑的优化地形 :逐层归一化一方面可以使得大部分神经层的输入处于不饱和区域,从而让梯度变大,避免梯度消失问题;另一方面还可以使得神经网络的 优化地形 (Optimization Landscape)更加平滑,以及使梯度变得更加稳定,从而允许使用更大的学习率,并提高收敛率。
Encoder总结
- 在将输入向量进行self-attention之前,先加上Positional Encoding,也就是输入向量中的位置信息。
- Multi-Head Attention:进行Multi-Head的self-attention处理得到输出向量。
- Add & Norm (residual & layer normalization): 也就是将self-attention的输出加上它对应的输入然后对其进行Layer Normalization。
- Feed Forward:将上一层的输出输入到fully connected Network中,将得到的输出向量和对应的输入向量同样经过residual & layer normalization操作后得到该block的最终输出。
- 将这个block重复n次。
Decoder
Decoder分为 Auto regressive (AT)和 Non-Auto regressive (NAT)两种。其中AT应用范围更为广泛一些。
Auto regressive(AT)
以语音辨识为例,假设要处理的这个NLP问题, 每一个Token都用One-Hot的Vector表示 ,并假设START和END两个special token,其中 START表示开始工作,END表示结束工作 。
- 在Encoder完成之后,将其输出作为一个输入喂到Decoder中。
- 同时,输入一个special token:START表示开始工作。
- Decoder结合这两个输入, 输出一个经过softmax处理后的长度为Vocabulary Size的输出向量,该向量中每一个中文字都对应一个数值,数值最大的中文字为最终输出的中文字 ,下图中,输出的结果是“机”。
接下来,将“机”对应的向量作为Decoder的输入,做下一步计算。这样Decoder会考虑下边两个输入,得出蓝色的输出向量。
- START对应的向量
- “机”对应的向量
蓝色向量中“器”对应的softmax值最高,输出“器”。
接下来,将“器”对应的向量也作为Decoder的输入,这样Decoder会考虑下边三个输入,得出绿色的输出向量。
- START对应的向量
- “机”对应的向量
- “器”对应的向量
绿色的向量中“学”对应的softmax的值最高,输出“学”。持续这样的过程直到Decoder输出的结果为END对应的向量结束。当然整个过程中Decoder也有考虑Encoder的输出信息,这就是Decoder的计算过程
Decoder具体结构
如上图所示,通过对比可以看出在 每一个block中Decoder比Encoder多了中间的一个Multi-Head Attention ,同时 第一个自注意力机制使用的是Masked Multi-Head Attention 。
Masked Multi-Head attention
Masked Multi-Head attention的计算顺序其实是和Decoder的串行计算顺序相对应的,以上图中计算
b
2
b^{2}
b2 为例:
在计算
b
2
b^{2}
b2 的时候,和原来的self-attention考虑所有输入信息
[
a
1
,
a
2
,
a
3
,
a
4
]
\left[a^{1}, a^{2}, a^{3}, a^{4}\right]
[a1,a2,a3,a4] 不同, Masked Multi-Head attention只考虑
[
a
1
,
a
2
]
\left[a^{1}, a^{2}\right]
[a1,a2], 因为此时的
[
a
3
,
a
4
]
\left[a^{3}, a^{4}\right]
[a3,a4] 还没有计算出来。
Encoder-Decoder数据传输
Encoder和Decoder之间的数据传输由上图中的Cross Attention负责完成 ,也就是上边说到的Decoder中比Encoder多出来的中间的那一个Multi-Head Attention。现在假设Encoder有 [ a 1 , a 2 , a 3 ] \left[a^{1}, a^{2}, a^{3}\right] [a1,a2,a3] 三个输出。
-
在cross attention中,首先生成对应的矩阵 [ k 1 , k 2 , k 3 ] \left[k^{1}, k^{2}, k^{3}\right] [k1,k2,k3] 。每当Decoder生成一个结果 q q q ,就将其与 [ k 1 , k 2 , k 3 ] \left[k^{1}, k^{2}, k^{3}\right] [k1,k2,k3] 一起计算Attention Score得到 [ α 1 ′ , α 2 ′ , α 3 ′ ] \left[\alpha_{1}^{'}, \alpha_{2}^{'}, {\alpha_{3}^{'}} \right] [α1′,α2′,α3′]
-
将得到的Attention Score分别与 [ α 1 ′ , α 2 ′ , α 3 ′ ] \left[\alpha_{1}^{'}, \alpha_{2}^{'}, {\alpha_{3}^{'}} \right] [α1′,α2′,α3′]对应的 [ v 1 , v 2 , v 3 ] \left[v^{1}, v^{2}, v^{3}\right] [v1,v2,v3] 计算相加得到输出 v v v, 这个 v v v 后续将输入全连接网絡中进一步的计算。
-
上述过程持续到Decoder输出END结束。