这篇transformer，我愿称之为最强！_transformer d_model

 

　　深度学习广泛应用于各个领域。基于transformer的预训练模型（gpt/bertd等）基本已统治NLP深度学习领域，可见transformer的重要性。本文结合《Attention is all you need》论文与Harvard的代码《Annotated Transformer》深入理解transformer模型。 Harvard的代码在python3.6 torch 1.0.1 上跑不通，本文做了很多修改。修改后的代码地址：Transformer。

 

1 模型的思想

　　Transformer中抛弃了传统的CNN和RNN，整个网络结构完全是由Attention机制组成。 作者采用Attention机制的原因是考虑到RNN（或者LSTM，GRU等）的计算是顺序的，RNN相关算法只能从左向右依次计算或者从右向左依次计算，这种机制带来了两个问题：　

　　(1) 时间片 tt 的计算依赖 t−1t−1 时刻的计算结果，这样限制了模型的并行能力；

　　(2) 顺序计算的过程中信息会丢失，尽管LSTM等门机制的结构一定程度上缓解了长期依赖的问题，但是对于特别长期的依赖现象，LSTM依旧无能为力。

　　Transformer的提出解决了上面两个问题：

　　(1) 首先它使用了Attention机制，将序列中的任意两个位置之间的距离是缩小为一个常量；

　　(2) 其次它不是类似RNN的顺序结构，因此具有更好的并行性，符合现有的GPU框架。

 

2 模型的架构

　　如上图，transformer模型本质上是一个Encoder-Decoder的结构。输入序列先进行Embedding，经过Encoder之后结合上一次output再输入Decoder，最后用softmax计算序列下一个单词的概率。

 

3 Embedding

　　transformer的输入是Word Embedding + Position Embedding。

 

3.1 Word Embedding

　　Word embedding在pytorch中通常用 nn.Embedding 实现，其权重矩阵通常有两种选择：

　　（1）使用 Pre-trained的Embeddings并固化，这种情况下实际就是一个 Lookup Table。

　　（2）对其进行随机初始化(当然也可以选择 Pre-trained 的结果)，但设为 Trainable。这样在 training 过程中不断地对 Embeddings 进行改进。 

　　transformer选择后者，代码实现如下：

　　其中d_model表示embedding的维度，即词向量的维度；vocab表示词汇表的数量。

 

3.2 Positional Embedding

　　在RNN中，对句子的处理是一个个word按顺序输入的。但在 Transformer 中，输入句子的所有word是同时处理的，没有考虑词的排序和位置信息。因此，Transformer 的作者提出了加入 “positional encoding” 的方法来解决这个问题。“positional encoding“”使得 Transformer 可以衡量 word 位置有关的信息。

　　如何实现具有位置信息的encoding呢？作者提供了两种思路：

• 通过训练学习 positional encoding 向量；
• 使用公式来计算 positional encoding向量。

　　试验后发现两种选择的结果是相似的，所以采用了第2种方法，优点是不需要训练参数，而且即使在训练集中没有出现过的句子长度上也能用。

 

　　Positional Encoding的公式如下：

PE(pos,2i)=sin(pos/100002i/dmodel)

PE(pos,2i+1)=cos(pos/100002i/dmodel)

　　其中，pospos指的是这个 word 在这个句子中的位置；2i2i指的是 embedding 词向量的偶数维度，2i+12i+1指的是embedding 词向量的奇数维度。

具体实现如下：

　　注意："x = x + Variable(self.pe[:, :x.size(1)], requires_grad=False)" 这行代码表示；输入模型的整个Embedding是Word Embedding与Positional Embedding直接相加之后的结果。

　　为什么上面的两个公式能体现单词的相对位置信息呢？

　　我们写一段代码取词向量的4个维度看下：

　　输出图像：

　　可以看到某个序列中不同位置的单词，在某一维度上的位置编码数值不一样，即同一序列的不同单词在单个纬度符合某个正弦或者余弦，可认为他们的具有相对关系。

 

4 Encoder

　　Encoder部分是由个层相同小Encoder Layer串联而成。小Encoder Layer可以简化为两个部分：（1）Multi-Head Self Attention (2) Feed-Forward network。示意图如下:

　　事实上multi head self attention 和feed forward network之后都接了一层add 和norm这里先不讲，后面4.1.2再讲。

 

4.1 Muti-Head-Attention

　　Multi-Head Self Attention 实际上是由h个Self Attention 层并行组成，原文中h=8。接下来我们先介绍Self Attention。

 

4.1.1 Self-Attention

　　self-attention的输入是序列词向量，此处记为x。x经过一个线性变换得到query(Q), x经过第二个线性变换得到key(K),  x经过第三个线性变换得到value(V)。

也就是：

• key = linear_k(x)
• query = linear_q(x)
• value = linear_v(x)

用矩阵表示即：

　　注意：这里的linear_k, linear_q, linear_v是相互独立、权重（WQ, WK, WV)是不同的，通过训练可得到。得到query(Q)，key(K)，value(V)之后按照下面的公式计算attention(Q, K, V)：

Attention(Q,K,V)=Softmax(QKTdk−−√)VAttention(Q,K,V)=Softmax(QKTdk)V

用矩阵表示上面的公式即：

 　　这里Z就是attention(Q, K, V)。

　　(1) 这里dk=dmodel/h=512/8=64dk=dmodel/h=512/8=64。

　　(2) 为什么要用dk−−√dk 对 QKTQKT进行缩放呢？

　　dkdk实际上是Q/K/V的最后一个维度，当dkdk越大，QKTQKT就越大，可能会将softmax函数推入梯度极小的区域。

　　(3) softmax之后值都介于0到1之间，可以理解成得到了 attention weights。然后基于这个 attention weights 对 V 求 weighted sum 值 Attention(Q, K, V)。 

　　Multi-Head-Attention 就是将embedding之后的X按维度dmodel=512dmodel=512 切割成h=8h=8个，分别做self-attention之后再合并在一起。

 

在代码中，设置WQ、WK、WV矩阵的时候，直接就是定义的512维。然后传入X矩阵，得到的结果分成8分，分别计算。再将结果拼接在一起。

其实也就是设置了8组WQ、WK、WV矩阵，每组维度64维。将X矩阵重复计算8次。再将得到的结果拼接起来，还是原来输入的512维。

所以可以理解：并不是将输入的512维的X矩阵切割成8个，而是每次用一组WQ、WK、WV矩阵，将原来512维的特征向量提取成64为的特征向量。有8组这样的提取结果，由于8组矩阵初始化参数并不一样，所以每一次计算提取了不同的信息，最后将这8组信息在拼接再一起，收集了更多的信息。

源码如下：

class MultiHeadAttention(tf.keras.layers.Layer):
    def __init__(self, d_model, num_heads):
        super(MultiHeadAttention, self).__init__()
        self.num_heads = num_heads
        self.d_model = d_model
        
        assert d_model % self.num_heads == 0
        
        self.depth = d_model // self.num_heads
        
        self.wq = tf.keras.layers.Dense(d_model)
        self.wk = tf.keras.layers.Dense(d_model)
        self.wv = tf.keras.layers.Dense(d_model)
        
        self.dense = tf.keras.layers.Dense(d_model)
            
    def split_heads(self, x, batch_size):
        """分拆最后一个维度到 (num_heads, depth).
        转置结果使得形状为 (batch_size, num_heads, seq_len, depth)
        """
        x = tf.reshape(x, (batch_size, -1, self.num_heads, self.depth))
        return tf.transpose(x, perm=[0, 2, 1, 3])
        
    def call(self, v, k, q, mask):
        batch_size = tf.shape(q)[0]
        
        q = self.wq(q)  # (batch_size, seq_len, d_model)
        k = self.wk(k)  # (batch_size, seq_len, d_model)
        v = self.wv(v)  # (batch_size, seq_len, d_model)
        
        q = self.split_heads(q, batch_size)  # (batch_size, num_heads, seq_len_q, depth)
        k = self.split_heads(k, batch_size)  # (batch_size, num_heads, seq_len_k, depth)
        v = self.split_heads(v, batch_size)  # (batch_size, num_heads, seq_len_v, depth)
        
        # scaled_attention.shape == (batch_size, num_heads, seq_len_q, depth)
        # attention_weights.shape == (batch_size, num_heads, seq_len_q, seq_len_k)
        scaled_attention, attention_weights = scaled_dot_product_attention(q, k, v, mask)
        
        scaled_attention = tf.transpose(scaled_attention, perm=[0, 2, 1, 3])  # (batch_size, seq_len_q, num_heads, depth)
 
        concat_attention = tf.reshape(scaled_attention, 
                                    (batch_size, -1, self.d_model))  # (batch_size, seq_len_q, d_model)
 
        output = self.dense(concat_attention)  # (batch_size, seq_len_q, d_model)
            
        return output, attention_weights

 

4.1.2 Add & Norm

　　x 序列经过multi-head-self-attention 之后实际经过一个“add+norm”层，再进入feed-forward network(后面简称FFN)，在FFN之后又经过一个norm再输入下一个encoder layer。

　　注意：几乎每个sub layer之后都会经过一个归一化，然后再加在原来的输入上。这里叫残余连接。

 

4.2 Feed-Forward Network

　　Feed-Forward Network可以细分为有两层，第一层是一个线性激活函数，第二层是激活函数是ReLU。可以表示为：

FFN=max(0,xW1+b1)W2+b2FFN=max(0,xW1+b1)W2+b2

　　这层比较简单，就是实现上面的公式，直接看代码吧：

　　总的来说Encoder 是由上述小encoder layer 6个串行叠加组成。encoder sub layer主要包含两个部分：

• SubLayer-1 做 Multi-Headed Attention
• SubLayer-2 做 Feed Forward Neural Network

　　来看下Encoder主架构的代码：

 

5 Decoder

　　Decoder与Encoder有所不同，Encoder与Decoder的关系可以用下图描述（以机器翻译为例）：

Decoder的代码主要结构：

Decoder子结构（Sub layer）：

　　Decoder 也是N=6层堆叠的结构。被分为3个 SubLayer，Encoder与Decoder有三大主要的不同：

　　（1）Decoder SubLayer-1 使用的是 “Masked” Multi-Headed Attention 机制，防止为了模型看到要预测的数据，防止泄露。

　　（2）SubLayer-2 是一个 Encoder-Decoder Multi-head Attention。

  　　(3)  LinearLayer 和 SoftmaxLayer 作用于 SubLayer-3 的输出后面，来预测对应的 word 的 probabilities 。

 

5.1 Mask-Multi-Head-Attention

　　Mask 的目的是防止 Decoder “seeing the future”，就像防止考生偷看考试答案一样。这里mask是一个下三角矩阵，对角线以及对角线左下都是1，其余都是0。下面是个10维度的下三角矩阵：

Mask的代码实现：

　　当mask不为空的时候，attention计算需要将x做一个操作：scores = scores.masked_fill(mask == 0, -1e9)。即将mask==0的替换为-1e9,其余不变。

 

5.2 Encoder-Decoder Multi-head Attention

　　这部分和Multi-head Attention的区别是该层的输入来自encoder和上一次decoder的结果。具体实现如下：

　　注意：self.sublayer[1](x, lambda x: self.src_attn(x, m, m, src_mask)) 这行就是Encoder-Decoder Multi-head Attention。

　　query = x，key = m, value = m, mask = src_mask，这里x来自上一个 DecoderLayer，m来自 Encoder的输出。

 

5.3 Linear and Softmax to Produce Output Probabilities

　　Decoder的最后一个部分是过一个linear layer将decoder的输出扩展到与vocabulary size一样的维度上。经过softmax 后，选择概率最高的一个word作为预测结果。假设我们有一个已经训练好的网络，在做预测时，步骤如下：

　　（1）给 decoder 输入 encoder 对整个句子 embedding 的结果 和一个特殊的开始符号 </s>。decoder 将产生预测，在我们的例子中应该是 ”I”。

　　（2）给 decoder 输入 encoder 的 embedding 结果和 “</s>I”，在这一步 decoder 应该产生预测 “am”。

　　（3）给 decoder 输入 encoder 的 embedding 结果和 “</s>I am”，在这一步 decoder 应该产生预测 “a”。

　　（4）给 decoder 输入 encoder 的 embedding 结果和 “</s>I am a”，在这一步 decoder 应该产生预测 “student”。

　　（5）给 decoder 输入 encoder 的 embedding 结果和 “</s>I am a student”, decoder应该生成句子结尾的标记，decoder 应该输出 ”</eos>”。

　　（6）然后 decoder 生成了 </eos>，翻译完成。
　　这部分的代码实现：

　　在训练过程中，模型没有收敛得很好时，Decoder预测产生的词很可能不是我们想要的。这个时候如果再把错误的数据再输给Decoder，就会越跑越偏。这个时候怎么办？

　 （1）在训练过程中可以使用 “teacher forcing”。因为我们知道应该预测的word是什么，那么可以给Decoder喂一个正确的结果作为输入。

　　(2）除了选择最高概率的词 (greedy search)，还可以选择是比如 “Beam Search”，可以保留topK个预测的word。 Beam Search 方法不再是只得到一个输出放到下一步去训练了，我们可以设定一个值，拿多个值放到下一步去训练，这条路径的概率等于每一步输出的概率的乘积。

 

6 Transformer的优缺点

 

6.1 优点

　　（1）每层计算复杂度比RNN要低。

　　（2）可以进行并行计算。

　　（3）从计算一个序列长度为n的信息要经过的路径长度来看, CNN需要增加卷积层数来扩大视野，RNN需要从1到n逐个进行计算，而Self-attention只需要一步矩阵计算就可以。Self-Attention可以比RNN更好地解决长时依赖问题。当然如果计算量太大，比如序列长度N大于序列维度D这种情况，也可以用窗口限制Self-Attention的计算数量。

　　（4）从作者在附录中给出的栗子可以看出，Self-Attention模型更可解释，Attention结果的分布表明了该模型学习到了一些语法和语义信息。

 

6.2 缺点

　　在原文中没有提到缺点，是后来在Universal Transformers中指出的，主要是两点：

　　（1）实践上：有些RNN轻易可以解决的问题transformer没做到，比如复制string，或者推理时碰到的sequence长度比训练时更长（因为碰到了没见过的position embedding）。

　　（2）理论上：transformers不是computationally universal(图灵完备)，这种非RNN式的模型是非图灵完备的的，无法单独完成NLP中推理、决策等计算问题（包括使用transformer的bert模型等等）。

 

转自：深入理解Transformer及其源码