在Transformer之前,做翻译的时候,一般用基于RNN的Encoder-Decoder模型。从X翻译到Y。
但是这种方式是基于RNN模型,存在两个问题。
一是RNN存在梯度消失的问题。(LSTM/GRU只是缓解这个问题)
二是RNN 有时间上的方向性,不能用于并行操作。Transformer 摆脱了RNN这种问题。
输入的x1,x2x_{1},x_{2}x1,x2,共同经过Self-attention机制后,在Self-attention中实现了信息的交互,分别得到了z1,z2z_{1},z_{2}z1,z2,将z1,z2z_{1},z_{2}z1,z2分别经过各自的全连接神经网络之后,得到了r1,r2r_{1},r_{2}r1,r2。
self-attention的意义是
当使用Transformer模型翻译’’ The animal didn’t cross the street because it was too tired"。当翻译到it时, 我们知道 it 指代的是 animal 而不是street. 所以, 如果有办法可以让 it 对应位置的embedding 适当包含 animal 的信息,就会非常有用. self-attention的出现就是为了完成这一任务.
如上图右侧所示,self-attention会让单词it和某些单词发生比较强的联系, 得到比较高的attention分数.
3.Self-attention机制 3.1Self-attention解释
假设x1,x2∈R1×4x_{1},x_{2}\in R^{1 \times 4}x1,x2∈R1×4,
同时引入三个矩阵,Queries矩阵:WQ∈R4×3W^{Q}\in R^{4 \times 3}WQ∈R4×3,Key矩阵:WK∈R4×3W^{K}\in R^{4 \times 3}WK∈R4×3,Values矩阵:WV∈R4×3W^{V}\in R^{4 \times 3}WV∈R4×3。
将x1x_{1}x1与WQW^{Q}WQ,WKW^{K}WK,WVW^{V}WV分别作矩阵乘法,分别得到q1,k1,v1∈R1×3q_{1},k_{1},v_{1}\in R^{1 \times 3}q1,k1,v1∈R1×3,同理可得到q2,k2,v2∈R1×3q_{2},k_{2},v_{2}\in R^{1 \times 3}q2,k2,v2∈R1×3。
之后来到上图的右半部分,
将q1,k1q_{1},k_{1}q1,k1中的对应位置元素相乘再求和(点积的方式)得到q1⋅k1=112q_{1}\cdot k_{1}=112q1⋅k1=112,将1128=14\displaystyle\frac{112}{8}=148112=14,在经过Softmax之后得到0.88,
同理,将q1,k2q_{1},k_{2}q1,k2点积相乘得到q1⋅k2=96q_{1}\cdot k_{2}=96q1⋅k2=96,将968=12\displaystyle\frac{96}{8}=12896=12,在经过Softmax之后得到0.12,
最后将0.88v1+0.12v2=z10.88 v_{1}+0.12v_{2}=z_{1}0.88v1+0.12v2=z1。同样的,可以得到z2z_{2}z2。
3.2Self-attention矩阵表示
表示称矩阵形式为
X=(x1x2)∈R2×4X=\left(\begin{array}{ll}{x_{1}} \\ {x_{2}} \end{array}\right) \in R^{2\times4}X=(x1x2)∈R2×4,分别与WQW^{Q}WQ,WKW^{K}WK,WVW^{V}WV作矩阵乘法,分别得到Q,K,V∈R2×3Q,K,V\in R^{2 \times 3}Q,K,V∈R2×3,Z=Softmax(Q×KT8)VZ=Softmax(\displaystyle\frac{Q \times K^{T}}{8})VZ=Softmax(8Q×KT)V。
如果有8个WQW^{Q}WQ,WKW^{K}WK,WVW^{V}WV,就会得到8个的ZiZ_{i}Zi(类似卷积神经网络),那么这8个ZiZ_{i}Zi又该如何组合呢?
这里的话使用了一个全连接的神经网络来组合,将8个ZiZ_{i}Zi拼接成R24×2R^{24\times 2}R24×2,经过一个全连接的神经网络,最终得到ZZZ。
Multi-headed Self-Attention整体结构
观察一下结果,下图右是整体的结果,下图左是其中2个attention的结果,以下图左举例,橙色的attention注意力机制“注意到”it与The animal这个关联性较强,而绿色的attention注意力机制“注意到”it与tired关联性较强,这也是设计多个header的原因。
对于输入的XXX,不仅需要将单词转化成词向量的形式,而且需要加入每个单词的位置的信息,如图所示,输入的x1=x_{1}=x1=词向量+词的位置信息
dmodeld_{model}dmodel为词向量的维度,下图是例子
使用Layer Normalization的原因是当网络比较深的时候,使用梯度下降法向后传递误差时,误差项会越来越弱,训练起来就会比较慢,比较困难
因此在self-attention之后,加入Layer Normalization(X+Z)(X+Z)(X+Z),得到新的ZZZ
假设Encoder的输出为mmm,如图,将mmm输入到Decoder过程中,此时在红框所在的self-attention中,分别是
q=xWQk=mWKv=mWV
\begin{array}{l}{q=x W^{Q}} \\ {k=m W^{K}} \\ {v=m W^{V}}\end{array}
q=xWQk=mWKv=mWV
而Decoder最下面的输入为
假设我们现在要翻译一段法语“Je suis etudiant”成英文“I am a student”
而假设目前已经翻译了“I am”,需要对后面进行翻译,那么就将I am转化成词向量输入,在得到I am a之后再次输入,直至完成。
这其中还有一个mask机制,作用是因为我们在训练时需要覆盖还没有输出的单词(通过0,0,0,1,1,1,1,1:1为mask,0为可见)(mask具体是如何表现的,我也有点迷糊,待我研究一下代码再来…)
最后就是Decoder的输出,将蓝色框的向量输入到一个神经网络中去,这个神经网络的输出维度为一个词典的大小,然后经过一个softmax函数,得到概率,取概率最大的作为预测值。
Transformer的损失函数是交叉熵损失。
Label smooting: 就是准备标签时不用绝对的0,1序列,可以通过smoothing 也就是正确的值 对应的不是1 而是比如当ϵ=0.05\epsilon=0.05ϵ=0.05时,1−ϵ=0.951-\epsilon=0.951−ϵ=0.95 其他的值就是0.05K−1\displaystyle\frac{0.05}{K-1}K−10.05;
Noam Learing Rate:学习率首先以一个较大的速率增长,达到一定时,以指数的形式进行衰减比较好。
注:上述文章是本人在观看贪心科技视频整理的
链接:https://pan.baidu.com/s/1Ade9NH0D_KiEbKvCTo9UXA 提取码:8J33