超详细解读Transformer框架

Transformer是由谷歌大脑2017年在论文《Attention is All You Need》中提出的一种序列到序列(Seq2Seq)模型。自提出伊始,该模型便在NLP和CV界大杀四方,多次达到SOTA效果。NLP领域中,我们所熟知的BERT和GPT就是从Transformer中衍生出来的预训练语言模型。

本篇将对Transformer框架进行详细的解读,和大家一起深入理解Transformer的原理和机制。

1. 什么是Transformer?

首先我们先对Transformer来个直观的认识。Transformer出现以前,NLP领域应用基本都是以RNN或LSTM循环处理完成,一个token一个tokrn输入到模型中。模型本身是一种顺序结构,包含token在序列中的位置信息。但是存在了一些问题:

  1. 会出现梯度消失现象,无法支持长时间序列。
  2. 句子越靠后的token对结果的影响越大。
  3. 只能利用上文信息,无法获取下文信息。
  4. 循环网络逐个token输入,也就是句子有多长就要循环多少遍,计算的效率低。

而Transformer的出现得以解决了上述的一系列问题。

2. Transformer架构

2.1. 宏观层面

首先将Transformer可以看成是一个黑箱操作的序列到序列(seq2seq)模型,输入是单词/字母/图像特征序列,输出是另外一个序列。一个训练好的Transformer模型如下图所示:

在这里插入图片描述

在机器翻译中,就是输入一种语言(一连串单词),经Transformer输出另一种语言(一连串单词)。

在这里插入图片描述

拆开这个黑箱,可以看到模型本质就是一个Encoder-Decoder结构,由编码组件、解码组件和它们之间的连接组成。

在这里插入图片描述

每个Encoders中分别由6层Encoder组成,而每个Decoders中同样也是由6层Decoder组成。

在这里插入图片描述

每一层Encoder的结构都是相同的,但是它们的权重参数不同。

每个Encoder里面又分为两层。

  • Self-Attention Layer
  • Feed Forward Neural Network,前馈神经网络

输入Encoder的文本数据,首先会经过一个self-attention层,这个层处理一个词的时候,不仅会使用这个词本身的信息,还会关注上下文其它词的信息。

self-attention的输出会被传入一个全连接的前馈神经网络,每个Encoder的前馈神经网络参数个数都是相同的,但是他们的作用是独立的。如下图:

在这里插入图片描述

每个Decoder也同样具有这样的层级结构,但是在这之间有一个Attention层,这个层能帮助Decoder聚焦于输入句子的相关部分。

2.2. 微观层面

Transformer内部结构如下图所示,由Encoder和Decoder两大部分组成。其中,Encoder负责将输入的自然语言序列映射成为隐藏层,然后Decoder将隐藏层映射为自然语言序列。

如下图所示是以机器翻译为例,说明模型具体运行过程:

  1. 输入自然语言序列到Encoder:Why do we work?(我们为什么工作);
  2. Encoder输出的隐藏层,再输入到解码器;
  3. 输入<start>(起始)符号到解码器;
  4. 得到第一个字"为";
  5. 将得到的第一个字"为"落下来再输入到解码器;
  6. 得到第二个字"什";
  7. 将得到的第二字再落下来,直到解码器输出<end>(终止符),即序列生成完成。

在这里插入图片描述

2.2.1. Encoder

下面我们再逐步拆开理解,首先是Encoder,即把自然语言序列映射为隐藏层的数学表达的过程。下图为一个Encoder block结构图。

在这里插入图片描述

2.2.1.1. 输入嵌入(input Embedding)

输入数据X维度为:[batch_size, sequence_length],比如输入“你好啊。最近正在忙什么呢?明天有空出来喝茶。几个朋友都来。”,batch size指的是句子数,sequence length指的是输入的句子中最长的句子的字数。这里共四句话,所以bacth_size为4。最长的句子是8个,所以sequence_length为8。输入数据维度为[4,8]。

但是,我们不能直接将这些语句输入到Encoder中,因为Transformer不认识,所以需要先进行Embedding,找到每个字的数学表达,即得到图中的input Embedding,通过查表得到字向量,它的维度就变为[batch_size,sequence_length,embedding_dimmension],embedding_dimmension表示字向量的长度。

简单来说,就是字->词向量的转换,这种转换是将字转换为计算机能够辨识的数学表示,用到的方法是Word2Vec。得到的 X e m b e d d i n g X_{embedding} Xembedding的维度是[batch_size,sequence_length,embedding_dimmension]。其中,embedding_dimmension的大小由Word2Vec算法决定,例如Transformer采用512长度的词向量。因此, X e m b e d d i n g X_{embedding} Xembedding的维度是[4,8,512]。如下图所示。

在这里插入图片描述

2.2.1.2. 位置编码(Positional Encoding)

Transformer以token作为输入,将token进行input Embedding之后,再和Positional Encoding相加。注意这里不是拼接,而是对应位置上的数值进行加和。

i n p u t = i n p u t E m b e d d i n g + P o s i t i o n a l E m b e d d i n g input= input Embedding+ Positional Embedding input=inputEmbedding+PositionalEmbedding

上文我们提到,input Embedding的维度是512,由于是相加关系,自然而然地,这里Positional Encoding的维度也是512。

为什么要使用Positional Encoding呢?我们知道,NLP领域中,模型的输入是一串文本,也就是序列Sequence。

而在以前的模型(RNN或LSTM)中,NLP的每个序列都是一个字一个字的输入到模型当中。比如有一句话是“我喜欢吃洋葱”,那么输入模型的顺序就是“我”,“喜”,“欢“,”吃“,”洋“,”葱”,一个字一个字的。

在这里插入图片描述

这样的输入方式其实就引入了一个问题。一个模型每次只吃了一个字,那么模型只能学习到前后两个字的信息,无法知道整句话讲了什么。为了解决这个问题,Transformer模型引用了Self-attention来解决这个问题。Self-attention的输入方式如下:

在这里插入图片描述

它可以一次性输入所有的字。但是NLP的输入文本要按照一定的顺序才可以,因为不同的语序,语义很有可能是不同的。比如下面两句话:

句子1:我喜欢吃洋葱
句子2:洋葱喜欢吃我

所以,对于Transformer结构而言,为了更好的发挥并行输入的特点,首先要解决的问题就是要让模型输入具有一定的位置信息。因此,Transformer加入了Positional Encoding机制。

2.2.1.2.1. 构造位置编码

用整型值标记位置

说起标记位置,大概首先能想到的方法就是给第一个字标记1,第二个字标记2…,以此类推。但是,

  • 在处理不同长度的句子时,模型可能碰到比训练的序列更长的句子,这将不利于模型泛化。
  • 随着序列长度增加,位置标记值越来越大,模型将很难学习到这些位置信息。

用[0,1]范围标记位置

这时候可以将模型位置值限制在[0,1]范围内,来解决上述问题。其中,第一个字标记0,最后一个字标记1,中间的均分,比如共3个字,位置信息就是[0, 0.5, 1];4个字位置信息就是[0, 0.33, 0.69, 1]。

但是这样,序列长度不同时,字与字的相对距离是不同的。

所以,理想情况下,Positional Encoding的设计应该满足以下条件:

  • 为每个字输出唯一的编码可以表示每个字在序列中的绝对位置;
  • 不同长度的序列之间,任意两个字的距离/相对位置应该保持一致;
  • 可以表示模型在训练中未遇到过的句子长度。

绝对位置:“我”是第一个字,“喜”是第二个字,…
相对位置:“喜”在“我”的后面一位,“吃”在“喜”的后面两位…
两个字之间的距离:“我”和“喜”差1个位置,“我”和“吃”差3个位置…

用二进制向量标记位置

位置信息是作用在input Embedding上的,因此可以用一个和input Embedding维度一致的向量表示位置。这里以d_model=3为例,位置向量可以表示为下图所示。

在这里插入图片描述

这样满足所有值都是有界的(位于0、1之间),且Transformer中d_model=512,足够将每个位置都编码出来了。

但是,这样编码的位置向量,处在一个离线空间,不同位置间的变化是不连续的。

用周期函数(sin)标记位置

到这里,我们更明确了,需要的是有界且连续的函数,最先想到的,正弦函数sin可以满足吧。

我们可以将位置向量中的每个元素都用一个sin函数表示,第t个字的位置可以表示为:

P E t = [ s i n ( 1 2 0 t ) , s i n ( 1 2 1 t ) , . . . , s i n ( 1 2 i − 1 t ) , . . . , s i n ( 1 2 d m o d e l − 1 t ) ] PE_t=[sin({\frac{1}{2^0}}t),sin({\frac{1}{2^1}}t),...,sin({\frac{1}{2^{i-1}}}t),...,sin({\frac{1}{2^{d_{model}-1}}}t)] PEt=[sin(201t),sin(211t),...,sin(2i11t),...,sin(2dmodel11t)]

在这里插入图片描述

如下图所示,每一行表示一个 P E t PE_t PEt,每一列表示 P E t PE_t PEt中的第i个元素。旋钮用于调整精度,越往右边的旋钮,需要调整的精度越大,因此指针移动的步伐越小。

每一排的旋钮都在上一排的基础上进行调整(函数中t的作用)。通过频率 1 2 i − 1 \frac{1}{2^{i-1}} 2i11控制sin函数的波长,频率不断减小,则波长不断变大,此时sin函数对t的变动越不敏感,以此来达到越向右的旋钮,指针移动步伐越小的目的。

为什么波长与频率成反比?

对于三角函数,
y = A s i n ( B x + C ) + D y=Asin(Bx+C)+D y=Asin(Bx+C)+D

周期是 2 π B \frac{2π}{B} B2π,频率是 B 2 π \frac{B}{2π} 2πB,因此B越大,频率越大,一个周期内函数图像重复次数越多,波长越短。

这也类似于二进制编码,每一位上都是0和1的交互,越往低位(左移),交互的频率越慢。

在这里插入图片描述

此外,由于sin是周期性函数,纵向看,如果函数频率偏大,引起波长偏短,则不同t对应的位置向量可能会存在重合。例如下图中(d_model=3),图中点表示序列中每个字的位置向量,颜色越深,字的位置越靠后,在频率偏大时,位置向量点连成了一个闭环。

在这里插入图片描述

为了避免这种情况,则要尽量把波长拉长。最简单的方法就是把所有的频率尽可能设小。因为,在Transformer论文中,频率设为 1 1000 0 i / d m o d e l − 1 \frac{1}{10000^{i/{d_{model}-1}}} 10000i/dmodel11

所以,到这里,位置向量可以表示为:

P E t = [ s i n ( w 0 t ) , s i n ( w 1 t ) , . . . , s i n ( w i − 1 t ) , . . . , s i n ( w d m o d e l − 1 t ) ] PE_t=[sin(w_0t),sin(w_1t),...,sin(w_{i-1}t),...,sin(w_{d_{model}-1}t)] PEt=[sin(w0t),sin(w1t),...,sin(wi1t),...,sin(wdmodel1t)]

其中, w i = 1 1000 0 i / d m o d e l − 1 w_i=\frac{1}{10000^{i/{d_{model}-1}}} wi=10000i/dmodel11

用sin和cos交替标记位置

目前为止,位置向量已经满足:

  1. 每个字的向量唯一(每个sin函数频率足够小,波长足够长,不会重合)。
  2. 位置向量的值有界,且连续。模型在处理位置向量时泛化性强,即更好处理长度和训练数据分布不一致的序列。

但是,我们还希望不同的位置向量是可以通过线性变换得到的。这样,不仅能表示一个字的绝对位置,还可以表示一个字的相对位置。即:

P E t + △ t = T △ t ∗ P E t PE_{t+\triangle t}=T_{\triangle t}*PE_t PEt+t=TtPEt

这里,T表示一个线性变化矩阵。假设t是一个角度值, △ t \triangle t t就是旋转的角度,则上面的公式可以写为:

( s i n ( t + △ t ) c o s ( t + △ t ) ) = ( c o s △ t s i n △ t − s i n △ t c o s △ t ) ⋅ ( s i n t c o s t ) \begin{pmatrix}sin{(t+\triangle t)} \\ cos{(t+\triangle t)} \end{pmatrix}=\begin{pmatrix} cos{\triangle t}&sin{\triangle t} \\ -sin{\triangle t}&cos{\triangle t} \end{pmatrix}\cdot\begin{pmatrix}sin{t} \\ cos{t} \end{pmatrix} (sin(t+t)cos(t+t))=(costsintsintcost)(sintcost)

这样就可以把原来元素全都是sin函数的 P E t PE_t PEt做一个替换,让位置两两一组,分别用sin和cos的函数对表示。即:

P E t = [ s i n ( w 0 t ) , c o s ( w 0 t ) , s i n ( w 1 t ) , c o s ( w 1 t ) . . . , s i n ( w i − 1 t ) , . . . , s i n ( w d m o d e l − 1 t ) , c o s ( w d m o d e l − 1 t ) ] PE_t=[sin(w_0t),cos(w_0t),sin(w_1t),cos(w_1t)...,sin(w_{i-1}t),...,sin(w_{d_{model}-1}t),cos(w_{d_{model}-1}t)] PEt=[sin(w0t),cos(w0t),sin(w1t),cos(w1t)...,sin(wi1t),...,sin(wdmodel1t),cos(wdmodel1t)]

在这样的表示下,我们可以很容易用一个线性变换,把 P E t PE_t PEt转变为 P E t + △ t PE_{t+\triangle t} PEt+t

P E t + △ t = T △ t ∗ P E t = ( ( c o s ( w 0 △ t ) s i n ( w 0 △ t ) − s i n ( w 0 △ t ) c o s ( w 0 △ t ) ) . . . 0 . . . . . . . . . 0 . . . ( c o s ( w d m o d e l 2 − 1 △ t ) s i n ( w d m o d e l 2 − 1 △ t ) − s i n ( w d m o d e l 2 − 1 △ t ) c o s ( w d m o d e l 2 − 1 △ t ) ) ) ⋅ ( s i n w 0 t c o s w 0 t . . . s i n ( w d m o d e l 2 − 1 t ) c o s ( w d m o d e l 2 − 1 t ) ) = ( s i n ( w 0 ( t + △ t ) ) c o s ( w 0 ( t + △ t ) ) . . . s i n ( w d m o d e l 2 − 1 ( t + △ t ) ) c o s ( w d m o d e l 2 − 1 ( t + △ t ) ) ) PE_{t+\triangle t}=T\triangle t*PE_t= \begin{pmatrix} \begin{pmatrix} cos({w_0\triangle t})&sin({w_0\triangle t}) \\ -sin({w_0\triangle t})&cos({w_0\triangle t}) \end{pmatrix} & ... &0 \\ ... &...&...\\ 0 &...&\begin{pmatrix} cos(w_{\frac{d_{model}}{2}-1}\triangle t)&sin(w_{\frac{d_{model}}{2}-1}\triangle t) \\ -sin(w_{\frac{d_{model}}{2}-1}\triangle t)&cos(w_{\frac{d_{model}}{2}-1}\triangle t) \end{pmatrix} \end{pmatrix} \cdot \begin{pmatrix}sin{w_0t} \\ cos{w_0t}\\ ...\\ sin(w_{\frac{d_{model}}{2}-1}t)\\ cos(w_{\frac{d_{model}}{2}-1}t) \end{pmatrix}= \begin{pmatrix}sin(w_0(t+\triangle t)) \\ cos(w_0(t+\triangle t))\\ ...\\ sin(w_{\frac{d_{model}}{2}-1}(t+\triangle t))\\ cos(w_{\frac{d_{model}}{2}-1}(t+\triangle t)) \end{pmatrix} PEt+t=TtPEt= (cos(w0t)sin(w0t)sin(w0t)cos(w0t))...0.........0...(cos(w2dmodel1t)sin(w2dmodel1t)sin(w2dmodel1t)cos(w2dmodel1t)) sinw0tcosw0t...sin(w2dmodel1t)cos(w2dmodel1t) = sin(w0(t+t))cos(w0(t+t))...sin(w2dmodel1(t+t))cos(w2dmodel1(t+t))

2.2.1.3. Transformer位置编码

Positional Encoding定义如下:

P E t ( i ) = { s i n ( w k t ) , if  i = 2 k c o s ( w k t ) , if  i = 2 k + 1 {PE_t}^{(i)}= \begin{cases} sin(w_kt), & \text{if } i=2k \\ cos(w_kt), & \text{if } i=2k+1 \end{cases} PEt(i)={sin(wkt),cos(wkt),if i=2kif i=2k+1

其中,

  • w k = 1 10000 2 k d m o d e l , i = 0 , 1 , 2 , 3 , . . . , d m o d e l 2 − 1 w_k = \frac{1}{{10000}^{\frac{2k}{d_{model}}}},i=0,1,2,3,...,\frac{d_{model}}{2}-1 wk=10000dmodel2k1,i=0,1,2,3,...,2dmodel1
  • t表示序列中某个字的实际位置,例如第一个字为1,第2个字为2。
  • P E t ( i ) {PE_t}^{(i)} PEt(i)表示t位置处的字的Positional Encoding向量,该向量可以用来给句子中每个字提供位置信息。换句话说,就是我们通过注入每个字的位置信息,增强了模型输入。
  • k表示 P E t ( i ) {PE_t}^{(i)} PEt(i)向量中每个元素的index。
  • d m o d e l d_{model} dmodel表示 P E t ( i ) {PE_t}^{(i)} PEt(i)向量的维度,即512。

其实这里的公式和上面提到的是一模一样。

P E t = [ s i n ( w 0 t ) , s i n ( w 1 t ) , . . . , s i n ( w i − 1 t ) , . . . , s i n ( w d m o d e l − 1 t ) ] PE_t=[sin(w_0t),sin(w_1t),...,sin(w_{i-1}t),...,sin(w_{d_{model}-1}t)] PEt=[sin(w0t),sin(w1t),...,sin(wi1t),...,sin(wdmodel1t)]

把512维的向量两两一组,每组都是一个cos和一个sin,这两个函数共享一个频率 w i w_i wi,共256组,由于从0开始编号,所以最后编号是255。

回到 P E t PE_t PEt定义中,k越来越大, w k w_k wk越来越小, w k 2 π \frac{w_k}{2π} 2πwk也越来越小,所以,频率随着k的递增而递减,周期递增。 k = 0 k=0 k=0时,周期最小是2π; k = d m o d e l 2 k=\frac{d_{model}}{2} k=2dmodel时,周期也就是波长最大是10000*2π。

为什么要将Transformer的每个维度设计成周期形式呢?如下图所示是0-15的二进制形式。可以看出,不同位置的数字都会出现0、1的交替变化。

2.2.1.4. 可视化

如下图所示是一串序列长度为50、位置编码维度是为128位置编码可视化效果。

在这里插入图片描述

由此可以发现位置向量的每一个值都位于[-1, 1]之间。同时,纵向来看,图的右半边几乎都是蓝色的,这是因为越往后的位置,频率越小,波长越长,所以不同的t对最终的结果影响不大。而越往左边走,颜色交替的频率越频繁。

2.2.2. 自注意力机制(Self Attention Mechanism)

注意力机制,顾名思义,就是我们对某件事或某个人或物的关注重点。举个生活中的例子,当我们阅读一篇文章时,并非每个词都会被同等重视,我们会更关注那些关键的、与上下文紧密相关的词语,而非每个停顿或者辅助词。

对于没有感情的机器来说其实就是赋予多少权重(比如0-1之间的小数),越重要的地方或者越相关的地方赋予的权重越高。

在技术实现层面,注意力机制通常涉及三个核心概念:Query、Key和Value。其中,

  • 查询(Query,Q): 指的是查询的范围,自主提示,即主观意识的特征向量。
  • 键(Key,K): 指的是被比对的项,非自主提示,即物体的突出特征信息向量。
  • 值(Value,V) : 则是代表物体本身的特征向量,通常和Key成对出现。

注意力机制是通过Query与Key的注意力汇聚(给定一个 Query,计算Query与Key的相关性,然后根据Query与Key的相关性去找到最合适的Value)实现对Value的注意力权重分配,生成最终的输出结果。

在这里插入图片描述

举个例子,

  • 我们淘宝购物时,会输入一句关键词(比如:高腰),这个就是Query。
  • 搜索系统会根据关键词查找一系列相关的key(商品名称+图片)。
  • 最后系统会将相应的Value(具体的衣服)输出。

Q、K和V虽然在不同的空间,其实它们是有一定潜在联系的,也就是说通过某种变换,可以使得三者的属性在一个相近的空间中。

自注意力机制是注意力机制的变体,其减少了对外部信息的依赖,更擅长捕捉数据或特征的内部相关性。

注意力机制和自注意力机制的区别:

  1. 注意力机制的Q和K是不同来源的,例如,在Encoder-Decoder模型中,K是Encoder中的元素,而Q是Decoder中的元素。在中译英模型中,Q是中文单词特征,而K则是英文单词特征。
  2. 自注意力机制的Q和K则都是来自于同一组的元素,例如,在Encoder-Decoder模型中,Q和K都是Encoder中的元素,即Q和K都是中文特征,相互之间做注意力汇聚。也可以理解为同一句话中的词元或者同一张图像中不同的batch,这都是一组元素内部相互做注意力机制,因此,自注意力机制也被称为内部注意力机制。
2.2.2.1. 运行步骤

步骤1. 对输入Encoder的每个词向量,都创建3个向量,分别是:Q向量,K向量,V向量。

上文中提到,input= input Embedding+ Positional Embedding

词嵌入与位置向量相加可以得到句中每个单词的词向量表示,第t个词的词向量记作 X t X_t Xt

对于每个词向量 X t X_t Xt,分别乘以权重矩阵 [ W Q 、 W K 、 W V ] [W^Q、W^K、W^V] [WQWKWV],即可得到新的向量 Q 、 K 、 V Q、K、V QKV。而权重矩阵 [ W Q 、 W K 、 W V ] [W^Q、W^K、W^V] [WQWKWV]即为我们要学习的参数。

在这里插入图片描述

步骤2. 计算一个注意力分数Attention Score。假设我们正在计算本例中第一个词“Thinking”的注意力分数。这个分数就决定着“Thinking”这个词在某句话中与其他词的关联程度,所以“Thinking”这个词要与其他所有词都计算一个分数。

这个分数是通过Q向量与其它位置的每个词的K向量进行点积求得。例如我们要计算句子中第一个位置单词的score,那么第一个分数就是 q1 和 k1 的内积,第二个分数就是 q1 和 k2 的点积。

a → ∗ b → = ∣ a → ∣ ∗ ∣ b → ∣ ∗ c o s θ \overset{\rightarrow}{a}*\overset{\rightarrow}{b}=|\overset{\rightarrow}{a}|*|\overset{\rightarrow}{b}|*cos\theta ab=abcosθ

其意义就是比较两个向量的相关程度,越相关值越大。如下图。

在这里插入图片描述

步骤3. 每个score除以 d k e y \sqrt{d_{key}} dkey d k e y {d_{key}} dkey是key向量的长度)。也可以除以其他数,这里除以一个数是为了在反向传播时,求取梯度更加稳定。论文中除以Q向量维度的平方根8,即 64 = 8 \sqrt{64}=8 64 =8

然后通过softmax操作映射出最后的结果。Softmax对分数进行归一化处理,使它们都为正且加起来为1。如下图所示:

在这里插入图片描述

softmax结果决定了每个词在句子中每个位置的重要性。很明显,这个词与其本身的softmax结果最高,因为它的Q、K、V向量都是源于其本身。

步骤4. 得到每个位置的分数后,将每个分数分别与每个Value向量相乘,使得每个单词重要程度进行重新分配。对于分数高的位置,相乘后的值就越大,我们把更多的注意力放到了它们身上;对于分数低的位置,相乘后的值就越小,这些位置的词可能是相关性不大的,这样我们就忽略了这些位置的词。

最后再加权值求和,产生Self-Attention输出。如下图所示:

在这里插入图片描述

自注意力计算到此结束。

Tip

在实际中,我们通常会将输入词向量打包成矩阵,然后分别和3个权重矩阵 [ W Q 、 W K 、 W V ] [W^Q、W^K、W^V] [WQWKWV]相乘,得到Q,K,V矩阵。如下图所示:

在这里插入图片描述

矩阵X中的每一行,表示句子中的每一个词的词向量,长度是512。Q,K,V 矩阵中的每一行表示Query向量,Key向量,Value向量,向量长度是64。

接着进行矩阵运算,直接得到Self Attention的输出。

在这里插入图片描述

整体矩阵运算过程如下图所示,

在这里插入图片描述

自注意力机制的问题

1)模型在对当前位置的信息进行编码时,会过度的将注意力集中于自身的位置,有效信息抓取能力就差一些。
2)我们前文也有提到,它会一次性输入所有的字,而没有考虑位置信息。但是NLP的输入文本要按照一定的顺序才可以,因为不同的语序,语义很有可能是不同的。

2.2.2.2. 多头注意力(Multi-Head Attention)

多头注意力即为:用独立学习得到的h组(一般h=8)不同的线性投影(linear projections)来变换查询Q、键K和值V。 然后,这h组变换后的查询、键和值将并行地送到注意力汇聚中。 最后,将这h个注意力汇聚的输出拼接在一起, 并且通过另一个可以学习的线性投影进行变换,以产生最终输出。

在这里插入图片描述

步骤1. 定义多组W,生成多组Q、K、V。刚才我们已经理解了,Q、K、V是输入向量 X t X_t Xt分别乘上三个系数 W q ∗ w q W^q*w^q Wqwq W k ∗ w k W^k*w^k Wkwk W v W^v Wv得到, W q ∗ w q W^q*w^q Wqwq W k ∗ w k W^k*w^k Wkwk W v W^v Wv是可训练的参数矩阵。

现在,对于同样的 X t X_t Xt,我们定义多组不同的 W q ∗ w q W^q*w^q Wqwq W k ∗ w k W^k*w^k Wkwk W v W^v Wv,比如 W 0 q W_0^q W0q W 0 k W_0^k W0k W 0 v W_0^v W0v W 1 q W_1^q W1q W 1 k W_1^k W1k W 1 v W_1^v W1v每组分别计算生成不同的Q、K、V,最后学习到不同的参数。

在这里插入图片描述

步骤2. 定义8组参数。对应8组参数矩阵 W q ∗ w q W^q*w^q Wqwq W k ∗ w k W^k*w^k Wkwk W v W^v Wv,再分别进行self-attention,即可得到 Z 0 Z 7 Z_0~Z_7 Z0 Z7。每一组 Q 、 K 、 V Q、K、V QKV都可以得到一个输出矩阵 Z Z Z

在这里插入图片描述

步骤3. 将多组输出拼接后乘以矩阵 W 0 W_0 W0以降低维度。首先在输出到下一层前,需要将 Z 0 Z 7 Z_0~Z_7 Z0 Z7拼接,再乘以矩阵 W 0 W_0 W0
做一次线性变换降维,得到Z。

在这里插入图片描述

完整流程图如下:

在这里插入图片描述

2.2.2.3. 残差连接(Residual Connections)和层归一化(Layer Normalization)

残差连接

在上一步得到了经过注意力矩阵加权之后的V,也就是

X a t t e n t i o n = s e l f − a t t e n t i o n ( Q , K , V ) X_{attention}=self-attention(Q,K,V) Xattention=selfattention(Q,K,V)

现在进行转置,使其和 X e m b e d d i n g X_{embedding} Xembedding维度一致,也就是[batch-size,sequence_length,embedding_dimmension],再把他们对应元素加起来做残差连接。

X e m b e d d i n g + s e l f − a t t e n t i o n ( Q , K , V ) X_{embedding}+self-attention(Q,K,V) Xembedding+selfattention(Q,K,V)

在之后的运算里,每经过一个模块的运算,都要把运算之前的值和运算之后的值相加,从而得到残差连接,训练的时候可以使梯度直接走捷径反传到最初始层:

X + S u b L a y e r ( X ) X+SubLayer(X) X+SubLayer(X)

Layer Normalization

Layer Normalization的作用是把神经网络中隐藏层归一为标准正态分布,也就是独立同分布,以起到加快训练速度,加速收敛的作用。

μ i = 1 m ∑ j = 1 m x i j μ_i=\frac{1}{m}\sum_{j=1}^{m}x_{ij} μi=m1j=1mxij

上式中以矩阵的行(row)为单位求均值:

σ j 2 = 1 m ∑ j = 1 m ( x i j − μ j ) 2 \sigma_j^2=\frac{1}{m}\sum_{j=1}^{m}(x_{ij}-μ_j)^2 σj2=m1j=1m(xijμj)2

上式中以矩阵的行(row)为单位求方差:

¥ L a y e r N o r m ( x ) = α ⊙ x i j − μ i σ i 2 + ϵ + β ¥LayerNorm(x)=\alpha⊙\frac{x_{ij}-μ_i}{\sqrt{\sigma_i^2+\epsilon}}+\beta LayerNorm(x)=ασi2+ϵ xijμi+β

然后用每一行的每一个元素减去这行的均值,再除以这行的标准差,从而得到归一化后的数值, ϵ \epsilon ϵ是为了防止除0。之后引入两个可训练参数α,β来弥补归一化的过程中损失掉的信息,注意⊙表示元素相乘而不是点积,我们一般初始化α
为全1,而β为全0。

2.2.2.4. Add&Norm

Add & Norm层Add和Norm两部分组成,其计算公式如下:

L a y e r N o r m ( X + M u l t i h e a d A t t e n t i o n ( X ) ) L a y e r N o r m ( X + F e e d F o r w a r d ( X ) ) LayerNorm(X+MultiheadAttention(X)) LayerNorm(X+FeedForward(X)) LayerNorm(X+MultiheadAttention(X))LayerNorm(X+FeedForward(X))

其中,X表示输入向量,MultiheadAttention(X)表示多头注意力输出,FeedForward(X)表示前馈网络输出,输出与输入X 维度是一样的,所以可以相加。

Add指X+MultiHeadAttention(X),是一种残差连接,通常用于解决多层网络训练的问题,可以让网络只关注当前差异的部分,在ResNet中经常用到:

在这里插入图片描述

Norm指Layer Normalization,通常用于RNN结构,Layer Normalization会将每一层神经元的输入都转成均值方差都一样的,这样可以加快收敛。

2.2.2.5. Feed Forward

Feed Forward层比较简单,是一个两层的全连接层,第一层的激活函数为Relu,第二层不使用激活函数,对应的公式如下。

F F N ( x ) = m a x ( 0 , X ∗ W 1 + b 1 ) W 2 + b 2 FFN(x)=max(0,X*W_1+b_1)W_2+b_2 FFN(x)=max(0,XW1+b1)W2+b2

X是输入,Feed Forward最终得到的输出矩阵的维度与X一致。

至此,MultiHeadAttention、FeedForward、Add&Norm就可以造出一个Encoder Block,Encoder block接收输入矩阵 X n ∗ d X_{n*d} Xnd ,并输出一个矩阵 O n ∗ d O_{n*d} Ond 。通过多个Encoder block叠加组成Encoder。

第一个Encoder block的输入为句子单词的表示向量矩阵,后续Encoder block的输入是前一个Encoder block的输出,最后一个Encoder block输出的矩阵就是编码输出,这一矩阵后续会用到Decoder中。

2.2.3. Decoder

由下图可以看出,Decoder结构从上到下依次是:

  • Masked Multi-Head Self-Attention
  • Multi-Head Encoder-Decoder Attention
  • FeedForward Network

在这里插入图片描述

和Encoder一样,上面三个部分的每一个部分,都有一个残差连接,后接一个Layer Normalization。Decoder的中间部件并不复杂,大部分在前面Encoder里我们已经介绍过了,但是Decoder由于其特殊的功能,因此在训练时会涉及到一些细节。

  • 包含两个Multi-Head Attention模块。
  • 第一个 Multi-Head Attention层采用了Masked操作。
  • 第二个 Multi-Head Attention层的K、V矩阵使用Encoder输出进行计算,而Q使用上一个Decoder block的输出计算。
  • 最后有一个 Softmax 层计算下一个翻译单词的概率。
2.2.3.1. 第一个Multi-Head Attention

Decoder block的第一个Multi-Head Attention采用了Masked操作,因为在翻译的过程中是顺序翻译的,即翻译完第i个单词,才可以翻译第i+1个单词。通过Masked操作可以防止第i个单词知道i+1个单词之后的信息。下面以"我有一只猫"翻译成 "I have a cat"为例,了解一下Masked操作。

下面的描述中使用了类似Teacher Forcing的概念。在 Decoder 的时候,是需要根据之前的翻译,求解当前最有可能的翻译,如下图所示。首先根据输入 “Begin” 预测出第一个单词为 “I”,然后根据输入 “Begin I” 预测下一个单词 “have”。

在这里插入图片描述

Decoder可以在训练的过程中使用Teacher Forcing并且并行化训练,即是指将正确的单词序列(I have a cat)和对应输出(I have a cat)传递到Decoder。那么在预测第i个输出时,就要将第i+1之后的单词掩盖住,注意Mask操作是在Self-Attention的Softmax之前使用的,下面用0 1 2 3 4分别表示 "I have a cat "。

步骤1. Decoder的输入矩阵和Mask矩阵。输入矩阵包含"<start>I have a cat" (0, 1, 2, 3, 4)五个单词的表示向量,Mask是一个5×5的矩阵。在Mask可以发现单词0只能使用单词0的信息,而单词1可以使用单词0, 1的信息,即只能使用之前的信息。

在这里插入图片描述

步骤2. 通过输入矩阵X计算得到Q、K、V矩阵。然后计算Q和 K T K^T KT的乘积。

在这里插入图片描述

步骤3. 在得到 Q K T QK^T QKT之后需要进行Softmax,计算attention score。另外我们在Softmax之前需要使用Mask矩阵遮挡住每一个单词之后的信息,遮挡操作如下:

在这里插入图片描述

得到Mask Q K T QK^T QKT之后在Mask Q K T QK^T QKT上进行Softmax,每一行的和都为1。但是单词0在单词1, 2, 3, 4上的attention score都为0。

步骤4. 使用Mask Q K T QK^T QKT与矩阵V相乘,得到输出Z,则单词I的输出向量 Z 1 Z_1 Z1是只包含单词1信息的。

在这里插入图片描述

步骤5. 通过上述步骤就可以得到一个Mask Self-Attention的输出矩阵 Z i Z_i Zi,然后和Encoder类似,通过Multi-Head Attention拼接多个输出 Z i Z_i Zi然后计算得到第一个Multi-Head Attention的输出Z,Z与输入X维度一样。

2.2.3.2. 第二个Multi-Head Attention

Decoder block第二个Multi-Head Attention变化不大,主要的区别在于其中Self-Attention的K、V矩阵不是使用上一个Decoder block的输出计算的,而是使用Encoder的编码输出计算的。

根据Encoder的输出C计算得到K、V,根据上一个Decoder block的输出Z计算Q (如果是第一个Decoder block则使用输入矩阵X进行计算),后续的计算方法与之前描述的一致。

这样做的好处是在Decoder的时候,每一位单词都可以利用到Encoder所有单词的信息 (这些信息无需Mask)。

2.2.3.3. Softmax预测输出单词

Decoder block最后的部分是利用Softmax预测下一个单词,在之前的网络层我们可以得到一个最终的输出Z,因为Mask的存在,使得单词0的输出Z0只包含单词0的信息,如下:

在这里插入图片描述

Softmax根据输出矩阵的每一行预测下一个单词:

在这里插入图片描述

这就是Decoder block的定义,与Encoder一样,Decoder是由多个Decoder block组合而成。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/802216.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

使用Ollama在本地运行AI大模型gemma

1.下载&#xff1a; https://github.com/ollama/ollama/releases 2.配置环境变量 我的电脑-右键-属性-系统-高级系统设置-环境变量-【系统环境变量】新建 变量名&#xff1a;OLLAMA_MODELS &#xff08;固定变量名&#xff09; 变量值&#xff1a;E:\Ollama\Lib &#xff0…

iOS 开发中上传 IPA 文件的方法(无需 Mac 电脑)

引言 在 iOS 开发中&#xff0c;将 IPA 文件上传到苹果开发者中心是一个重要的步骤。通常情况下&#xff0c;我们需要使用 Mac 电脑上的 Xcode 或 Application Loader 工具来完成这个任务。然而&#xff0c;如果你没有 Mac 电脑&#xff0c;也没有关系&#xff0c;本文将介绍一…

express里面的鉴权及express-session中间件的使用总结

了解 HTTP 协议的无状态性是进一步学习 Session 认证机制的必要前提。http 协议的无状态性&#xff0c;指的是客户端的每次 http 请求都是独立的&#xff0c;连续多个请求之间没有直接的关系&#xff0c;服务器不会主动保留每次 http 请求的状态。 什么是 Cookie Cookie 是存储…

如何在CentOS安装Nexus容器无公网IP远程管理本地仓库

文章目录 1. Docker安装Nexus2. 本地访问Nexus3. Linux安装Cpolar4. 配置Nexus界面公网地址5. 远程访问 Nexus界面6. 固定Nexus公网地址7. 固定地址访问Nexus Nexus是一个仓库管理工具&#xff0c;用于管理和组织软件构建过程中的依赖项和构件。它与Maven密切相关&#xff0c;可…

LeetCode-394. 字符串解码【栈 递归 字符串】

LeetCode-394. 字符串解码【栈 递归 字符串】 题目描述&#xff1a;解题思路一&#xff1a;辅助栈法解题思路二&#xff1a;递归法解题思路三&#xff1a;0 题目描述&#xff1a; 给定一个经过编码的字符串&#xff0c;返回它解码后的字符串。 编码规则为: k[encoded_string]…

ios swift5 “Sign in with Apple“(使用苹果登录)怎样接入(第三方登录)集成AppleID登录

文章目录 截图1.在开发者网站的app id中添加Sign in with Apple功能2.在Xcode中添加Sign in with Apple功能3.代码&#xff1a;只有第一次登录的时候可以获取到用户名参考博客chatGPT答案 截图 1.在开发者网站的app id中添加Sign in with Apple功能 1.1 如果你新建app id,记得在…

Spring事务简介,事务角色,事务属性

1.Spring事务简介 事务作用&#xff1a;在数据层保障一系列的数据库操作同成功同失败Spring事务作用&#xff1a;在数据层或业务层保障一系列的数据操作同成功同失败 public interface PlatformTransactionManager{void commit(TransactionStatus status) throws TransactionE…

plasmo开发浏览器插件动态setIcon修改插件图标和setBadgeText显示徽标

动态修改图标和设置徽标主要用到action这个api&#xff0c;官网地址&#xff1a;https://developer.chrome.com/docs/extensions/reference/api/action?hlzh-cn#method-setIcon 如果你使用官方原生的方式开发&#xff0c;加载和修改图标应该是比较简单的&#xff0c;但是如果…

C语言面试题之合并排序的数组

合并排序的数组 实例要求 1、给定两个排序后的数组 A 和 B&#xff0c;其中 A 的末端有足够的缓冲空间容纳 B&#xff1b; 2、编写一个方法&#xff0c;将 B 合并入 A 并排序&#xff1b; 3、初始化 A 和 B 的元素数量分别为 m 和 n&#xff1b; 示例: 输入: A [1,2,3,0…

小剧场短剧剧集收费短剧小程序APP

1. 内容展现 付费、免费、任务解锁&#xff1a;用户可以通过付费直接观看短剧&#xff0c;也可以通过完成平台任务&#xff08;如签到、分享等&#xff09;获得免费观看的机会。这种灵活的解锁方式既满足了用户的多种需求&#xff0c;也促进了平台的活跃度。主流展现形式&…

蓝桥杯简单模板

目录 最大公约数 两个数的最大公约数 多个数的最大公约数 最小公倍数 两个数的最小公倍数 多个数的最小公倍数 素数 ​编辑 位数分离 正写 ​编辑 反写 闰年 最大公约数 两个数的最大公约数 之前看见的是辗转相除法&#xff0c;例如现在让算一个49&#xff0c;21…

libVLC 提取视频帧使用OpenGL渲染

在上一节中&#xff0c;我们讲解了如何使用QWidget渲染每一帧视频数据。 由于我们不停的生成的是QImage对象&#xff0c;因此对 CPU 负荷较高。其实在绘制这块我们可以使用 OpenGL去绘制&#xff0c;利用 GPU 减轻 CPU 计算负荷&#xff0c;本节讲解使用OpenGL来绘制每一帧视频…

【每日一题】2529. 正整数和负整数的最大计数-2024.4.9

题目&#xff1a; 2529. 正整数和负整数的最大计数 给你一个按 非递减顺序 排列的数组 nums &#xff0c;返回正整数数目和负整数数目中的最大值。 换句话讲&#xff0c;如果 nums 中正整数的数目是 pos &#xff0c;而负整数的数目是 neg &#xff0c;返回 pos 和 neg二者中…

A Survey for LLM

一、背景介绍 我们关注大模型中的两个主流&#xff1a;大语言模型和预训练的基础模型。01 大语言模型&#xff08;LLMs&#xff09; 语言建模是许多自然语言处理任务的基础&#xff0c;而大语言模型&#xff08;LLMs&#xff09;的初衷是为了提高语言建模的性能。与传统的神经语…

STM32之HAL开发——串行FLASH文件系统FatFs

文件系统 文件系统是为了存储和管理数据&#xff0c;而在存储介质建立的一种组织结构&#xff0c;这些结构包括操作系统引导区、目录和文件。 常见的 windows 下的文件系统格式包括 FAT32、 NTFS、exFAT。 在使用文件系统前&#xff0c;要先对存储介质进行格式化。格式化先擦除…

[LeetCode][LCR133]位 1 的个数——快速从右边消去1

题目 LCR 133. 位 1 的个数 编写一个函数&#xff0c;输入是一个无符号整数&#xff08;以二进制串的形式&#xff09;&#xff0c;返回其二进制表达式中数字位数为 ‘1’ 的个数&#xff08;也被称为 汉明重量).&#xff09;。 提示&#xff1a; 请注意&#xff0c;在某些语言…

多个代理proxy配置——日志查看代理后的地址

一个项目接口有两个域名&#xff0c;需要配置两个代理复制一个axios封装文件&#xff0c;修改baseUrl为新的标识 ququ新接口文件引入新的request1即可 proxy: {// 新接口采用 /ququ前缀/ququ: {target: http://192.168.2.82:8888, //鑫哥 changeOrigin: true,logLevel: debug, …

vue对比react18

1.模板语法-——>jsx JSX表达式用{}包裹&#xff0c;vue模板表达式用{{}}包裹&#xff0c;其余一致。 注意:if语句、switch语句、变量声明属于语句&#xff0c;不是表达式&#xff0c;不能出现在{}或{{}}中 <!--vue--> <template><div><p>I have…

Java开发面试题分享

目录 1、简述MyISAM和InnoDB的区别 2、简述Hash和B树索引的区别 3、简述MyBatis的实现逻辑 4、#{}和${}的区别 5、简述Mybatis的优缺点 6、当实体类中的属性名和表中的字段名不一样时怎么办&#xff1f; 7、resultType与resultMap的区别 8、如何执行批量插入 9、Mybat…

Unity自己实现的中英文的切换(简单好抄)

关键技术&#xff08;读取文件的方法&#xff0c;Split()分割字符串&#xff09; 1.搭建一个这样的场景&#xff0c;场景中有3个文本&#xff08;用新版的&#xff09;&#xff0c;一个空对象&#xff0c;一个按钮 2.编写翻译文本&#xff08;编写一个txt文本&#xff0c;在文…