transformer架构变种 transformer网络架构图

文章目录

• Transformer

• 前言
• 网络结构图：
• Encoder

• Input Embedding
• Positional Encoder
• self-attention
• Padding mask
• Add & Norm
• Feed Forward

• Decoder

• input
• masked Multi-Head Attention
• test时的Decoder

• 预测

Transformer

前言

Transformer最初是用于nlp领域的翻译任务。

出自谷歌2017年发表的论文Attention Is All You Need

当然现在已经应用于各类任务了，在CV领域也表现非常出色。本文是自己的学习笔记，因为我主要是看图像方面的，所以中间有些关于nlp的一些特殊知识没有详细说，如有兴趣，请自行查阅。

网络结构图：

这个结构图很清晰，左边是编码器，右边是解码器。

编码器：由N=6个相同的层堆叠而成。每层有两个子层。第一层是一个multi-head self-attention机制，第二层是一个简单的、按位置排列的全连接前馈网络。两个子层都采用了一个residual(残差)连接，然后进行层的归一化。也就是说，每个子层的输出是LayerNorm(x + Sublayer(x))，其中Sublayer(x)是由子层本身的输出。
解码器：解码器也是由N=6个相同层的堆栈组成。注意，解码器也是有输入的，解码器的输入先经过一个masked multi-head self-attention，然后是残差和layerNorm，然后再与编码器的输出一起送入一个与编码器一样的结构。重复6次。最后经过线性层和softmax输出结果。

我们一步一步的看，先说左边的编码器。

Encoder

Input Embedding

首先说input输入，既然是做翻译任务那么输入自然是一个句子，比如I love you

那么这个肯定不能直接输入进去，计算机也不认识啊，一般我们都需要转化为方便计算机处理的形式。在图像领域，我们会把图像处理为[B,C,H,W]的矩阵交给计算机处理，那么nlp领域也是一样，我们可以采用一种方法讲单词转化为向量：One-hot 独热码

非常简单，就是假设词汇表一共只有五个单词，那我就用一个长度=5的向量，第一个单词就是{10000}，第二个{01000}，以此类推，如图所示。如果字典一共有五千个词汇，那么编码得到的向量长度就是5000。

但是这种方法很显然不好，它很稀疏（有效信息太少），而且很长（太长了计算量太大了）。

更重要的是这种编码方式完全无法体现出来词汇之间的关系，比如“香蕉”和“西瓜”，都是水果，他们是有联系的，但是这种编码方式忽略了关系，只与他们在词汇表的位置有关。

那么有另外一个方法叫做word Embedding，他会给每一个词汇对应一个向量，并且这个向量是包含语义的信息的。

至于word Embedding是怎么做的，这里不说了，感兴趣的自己搜索看下，我主要是做图像的。

我们只要知道，Transformer的第一步Input Embedding就是将输入的词汇，编码成了一个一个的向量（长度为512）。

Positional Encoder

转化为词向量后还需要给每个词向量添加位置编码positional encoding。因为位置是有用的，同样一个单词放在句首和放在句中，可能会有不同的词性，会有不同的意思，所以位置信息我们也需要。

如何获得位置编码？论文中使用正余弦位置编码来为每个词计算位置向量。位置编码通过使用不同频率的正弦、余弦函数生成，生成的向量长度与词向量长度一致（待会要相加）。

正余弦位置编码计算公式如下，至于为什么这样设计

经过这个我们可以得到位置编码，再和前面得到的词向量做加法，就得到了我们处理好的输入。

假设输入的是I Love You，那么最后这个输入的尺寸就是[3,512]

接下来才开始进入真正的编码器部分。

self-attention

Transformer就是基于自注意力的

关于self-attention，可以看我在另一篇博客中的介绍：自注意力机制

这里就简单说下：

简单来说就是输入的向量x，分别与三个矩阵相乘得到$Q,K,V$，也就是query，key，value

这里x的大小是[2,512],$W^Q$的大小是[512,64]，所以得到的结果是[2,64]，如果输入是三个单词，那就是[3,64]

然后Q和$K^T$相乘得到注意力分数，再做一个softmax映射，然后再与V相乘，就得到了自注意力的输出。

这里为什么要除以一个根号下dk（dk就是K的维度，也就是64），是因为公式中计算矩阵Q和K每一行向量的内积，为了防止内积过大，因此除以向量维度的平方根。

这里注意，我们假设输入的尺寸是[3,512],计算得到的Q,K,V都是同样的尺寸[3,64]，然后Q乘以$K^T$就得到[3,3]大小，再乘以V：[3,64]，最终得到的结果是[3,64]大小。

这个V其实就相当于，输入向量本身，注意力分数就是考虑了全部的相关性，V与注意力分数相乘，就是相当于输入序列考虑了所有的单词，然后进行有侧重的调整。

这就是自注意力机制，那么多头自注意力机制就是使用多组Q,K,V，来得到多个结果，最后拼接在一起。

假设我们用8个头，那么就会得到8个[3,64]的矩阵，cat在一起就是[3,64*8]=[3,512]大小。

但是我们还是需要[3,64]的大小，所以将这个结果再乘以一个权重矩阵[512,64]的，就能变回原来的大小了。

最终的Z就作为后面模块的输入。

Padding mask

这里强调一个东西Padding mask

我们的输入数据是一个单词序列。那么每个单词被编码后，得到的是不同长度的词向量。

有的长，有的短，这个时候我们就会做补齐操作，一般是填充0。0乘以其他数字也是0，所以我们经过自注意力得到的结果里面也有很多0，然后在我们进行softmax的时候就有问题了。softmax是指数运算，$e^0=1$是有值的，所以这些填充的0会影响到计算结果。

这就相当于让无效的部分参与了运算。因此需要做一个 mask 操作，让这些无效的区域不参与运算，一般是给无效区域加一个很大的负数偏置，趋近于$-∞$，这样的话再做softmax，他就会趋近于0，就不会影响到结果。

这个就叫做padding mask。具体的做法就是我们有一个mask矩阵，不需要mask的位置是False，需要mask的位置是True，然后在我们计算出注意力分数之后，对已经计算好的scores，按照mask矩阵，填-1e9。下一步计算softmax的时候，被设置成-1e9的数对应的值~0,被忽视。

Add & Norm

经过自注意力机制之后呢，图上写着Add & Norm

Add的意思就是一个残差连接，

Norm 的意思是归一化，但是这里要注意，这里不是我们图像里面常用的Batch Normalization（BN）

Batch Normalization的目的是使我们的一批（Batch)feature map满足均值为0，方差为1的分布规律。

BN对整个Batch进行操作，就是对每一列进行操作。啥意思呢，假设batchsize=3，有三行数据，分别是身高，体重，年龄。

BN是对每一列做归一化，使其满足均值为0，方差为1的分布规律

而Layer Normalization（LN）则是对每一行进行归一化。

这里看起来不太合理，对每一行进行归一化就乱了。但是nlp领域很适合LN。

因为我们每一行是一句话，所以对每一行做归一化是合理的，相反对每一列做归一化是不合理的。

这里我解释的不一定对，大家可以搜一些别的资料看看。反正这个就是做归一化的。

公式表示如下：

Feed Forward

这里比较简单，就是一个两层的神经网络，先线性变换，过一个ReLU，然后再线性变换即可。

公式表示如下：

X是输入，Feed Forward 最终得到的输出矩阵的维度与X一致。

W1和W2的大小取反即可。假设输入X大小是[3,64]，那么W1取[64,1024]，W2取 [1024,64]。

(3,64)x(64,1024)x(1024,64)=(3,64)大小不变。

FeedForward的作用是：通过线性变换，先将数据映射到高纬度的空间再映射到低纬度的空间，提取了更深层次的特征。

FeedForward完了之后再经过一个Add&Norm，得到一个[3,64]的大小

至此Encoder部分就结束了

将输出再作为输入，将此部分重复N次。

Decoder

input

翻译是一个seq2seq的任务，输入三个单词我们并不知道要翻译出来几个单词，这些是不确定的。

所以我们需要让网络知道在哪里结束，所以我们翻译我爱你的时候

Encoder的输入是我爱你

Decoder的输入是<start> I love you

Decoder的输出是I love you <end>

首先说Decoder的输入，有两种输入，一种是训练时候的输入，一种是预测时候的输入。

• 训练的时候：输入为Ground Truth，也就是不管输出是什么，会将正确答案当做输入，这种模式叫做teacher-forcing。
• 预测的时候：预测的时候没有正确答案，那么我们的输入是已有的预测，具体来说就是先输入一个<start>然后过一遍decoder，让网络预测出I，然后将<start> I当作输入，再过一遍decoder，以此类推，最终翻译出整个句子。所以，这里我们可以看出来，预测的时候Decoder并不是并行的，而是串行的，需要一个单词一个单词去预测。

Decoder这边的输入，同样的经过位置编码，相加之后，输入进去。

同样的Decoder的输入也不是等长的，所以我们Decoder部分也需要一个Padding mask。

接下来才是Decoder核心的部分。

masked Multi-Head Attention

首先是一个masked Multi-Head Attention

可以看到，这里和Encoder里面的自注意力不一样，加了个mask，为什么加了个mask呢。

我们首先来看下，Decoder部分输入句子我爱你，经过编码送入自注意力中，如下图所示

Q和K的转置相乘就是注意力分数，然后会做一个softmax。在做softmax之前，要注意，最后这个[4,4]的矩阵，第一行代表的就是第一个词语<start>与整个句子四个词语分别计算得到的相关性。第二行同理。

但是有一个问题，我们现在是在训练，我们自然掌握了Ground Truth，但是我们实际预测的时候，没有标准答案，实际的预测是我们把<start>输入进去，然后网络预测出I，然后将<start> I当作输入，再过一遍decoder，以此类推，最终翻译出整个句子。那我们训练的时候怎么做到这一点呢？

这就是用到sequence mask了，在softmask之前，用一个掩码矩阵，右上角全部是一个负的极大值，左下角为0，与注意力分数的矩阵相加，就可以保留下来左下角的数据了。经过softmax，右上角的数据都会被处理为0。

这个操作的意义就在于，经过这个操作，第一行<start>，只能看到它跟自己的注意力分数（相关度），而第二行我字，可以看到他与<start>和我的注意力分数，同理，第三行能看到前三个的，每一个单词都只能考虑他以及他之前的单词。这是符合预测的，因为第一个单词进来的时候，是不应该看到之后的单词的，实际中我们做预测的时候也确实是这么做的。所以训练的时候使用masked多头自注意力。

将这个mask后的注意力分数，经过softmax，在与V相乘，就得到自注意力的输出Z，这个Z的第一行Z1只包含第一个单词的信息，第二行只包含前两个单词的信息，以此类推。多个头，就得到了多个Z。

多头的结果cat起来，经过一个线性层，改变尺寸，使尺寸与出入同样大小。

然后经过Add&Norm，这就和Encoder那里一样。这样，解码器的第一部分就完成了。

解码器的第二部分，没有什么新的东西，主要就是，将编码器的输出，计算得到Q和K，然后将解码器第一部分的输出，计算得到V，拿这个Q,K,V去参与自注意力运算，最后再过一个Add&Norm，然后再过一个Feed Forward，再过一个Add&Norm。就结束，这就是整个Decoder的内容。将这部分也重复N次。

编码器和解码器都会重复N次，但是解码器中使用的编码器的结果，都是最后一次编码器给出的。他们的关系是这样的

test时的Decoder

上面说的是训练时候的decoder，实际测试的时候，比如我们输入我爱你，让网络翻译。

实际的流程是我爱你被输入到Encoder中，最顶层的Eecoder输出一个结果，然后Decoder中输入<start>，经过Decoder输出I，然后再将<start>和I一同输入Decoder，用结果的最后一个维度来预测love

预测

Decoder完了之后，就是最后一部分，预测单词

Decoder的输出，会经过一个线性层，在经过一个softmax，输出概率来预测单词。

比如，最后得到的矩阵是[4,512],那么第一行中512个元素的概率，最大的那个假设是25，那么说明预测的第一个单词就是对应的词汇表25位置上的单词。

因为 Mask 的存在，使得单词 0 的输出 Z0 只包含单词 0 的信息

Softmax 根据输出矩阵的每一行预测下一个单词

这也使得我们训练的时候，Decoder可以并行，我们一次就可以预测所有的单词。

我们可以直接使用最后一行的预测结果，与真实值做loss计算。