【深度学习之Transformer】_深度学习transformer

深度学习之Transformer学习笔记

---

---

前言

transformer模型起初被提出于2017年google的《Attention ls All you Need》中。transformer完全抛弃了CNN，RNN模型结构。起初主要应用在自然语言处理中，后面逐渐应用到了计算机视觉中。

仅仅通过注意力机制（self-attention）和前向神经网络（Feed Forward Neural Network），不需要使用序列对齐的循环架构就实现了较好的performance 。

---

一、Transformer整体架构

下图为Transformer整体架构图，主要由四个部分组成，输入模块、编码器模块（Encoder block）、解码器模块（Decoder）和输出模块。

接下来会具体介绍各模块功能及实现。

二、输入模块

可见编码器和解码器的输入都经过Embedding和Positional

1.Embeddig层

Embeddign层生成一个二维矩阵，主要是对输入句子编码的一个映射，如建立词表{我：0，去：1，她：2，家：3}，则‘我去她家’，‘她去我家’可分别编码为[0 1 2 3],[2 1 0 3],而Embedding层可以生成一个4*512大小的矩阵，将信息映射到高维，可以类别为简单的线性层。
另一方面，当词表过大达到几万的时候，采用的one-hot编码方式生成的稀疏矩阵虽然计算简单，但是过于占用内存资源，Embedding层又可以起到减少训练参数的作用。

Pytorch调用Embedding代码如下：

self.src_emb = nn.Embedding(src_vocab_size, d_model)
1

src_vocab_size为词表长度，d_model为映射的维度

2.Positional Encoding

如上例举的‘我去她家’和‘她去我家’的含义是不同的，尽管所用字都相同，所以字词所处的位置也蕴含着信息，因此采用位置编码保留部分位置信息。其原理公式如下：

pos代表位置，取值为0、1、…src_vocab_size-1
i代表维度，d_model取512时，i取值为0、1、…255
最后是将得到的位置向量与词向量相加，其实拼接也可以，相加更为简单且参数量更少。

Postional Encoding函数代码：

class PositionalEncoding(nn.Module):
    def __init__(self, d_model, dropout=0.1, max_len=5000):
        super(PositionalEncoding, self).__init__()

        ## 位置编码的实现其实很简单，直接对照着公式去敲代码就可以，下面这个代码只是其中一种实现方式；
        ## 从理解来讲，需要注意的就是偶数和奇数在公式上有一个共同部分，我们使用log函数把次方拿下来，方便计算；
        ## pos代表的是单词在句子中的索引，这点需要注意；比如max_len是128个，那么索引就是从0，1，2，...,127
        ##假设我的demodel是512，2i那个符号中i从0取到了255，那么2i对应取值就是0,2,4...510
        self.dropout = nn.Dropout(p=dropout)

        pe = torch.zeros(max_len, d_model)
        position = torch.arange(0, max_len, dtype=torch.float).unsqueeze(1)
        div_term = torch.exp(torch.arange(0, d_model, 2).float() * (-math.log(10000.0) / d_model))
        pe[:, 0::2] = torch.sin(position * div_term)  ## 这里需要注意的是pe[:, 0::2]这个用法，就是从0开始到最后面，补长为2，其实代表的就是偶数位置
        pe[:, 1::2] = torch.cos(position * div_term)  ##这里需要注意的是pe[:, 1::2]这个用法，就是从1开始到最后面，补长为2，其实代表的就是奇数位置
        ## 上面代码获取之后得到的pe:[max_len*d_model]

        ## 下面这个代码之后，我们得到的pe形状是：[max_len*1*d_model]
        pe = pe.unsqueeze(0).transpose(0, 1)

        self.register_buffer('pe', pe)  ## 定一个缓冲区，其实简单理解为这个参数不更新就可以

    def forward(self, x):
        """
        x: [seq_len, batch_size, d_model]
        """
        x = x + self.pe[:x.size(0), :]
        return self.dropout(x)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28

---

三、Encoder Block模块

该模块包括多头自注意力机制（Multi-Head Attention）、Add&Norm以及前馈神经网络（Feed Forward），N*表示模块堆叠，这里N=6,即6个encoder模块堆叠，不包括Embedding层和
Positional Encoding。

1.多头自注意力机制（Multi-Head Attention）

其核心原理公式为

意义可以这样来理解，令Q=K=V=X，类比向量内积，表示的是两个向量相关性，则X*X^T为该句子字之间的相关性表示，值越大，相关性越高，然后经softmax函数归一化转换为相关性的概率分布，最后乘以矩阵V，便得到经过注意力机制加权求和的表示。

而一般性的Q,K,V矩阵如何得到呢？
则是由输入乘以相应生成的权重矩阵得到，即

其中生成的权重矩阵是我们要训练的参数，实现代码如下

class MultiHeadAttention(nn.Module):
    def __init__(self):
        super(MultiHeadAttention, self).__init__()
        ## 输入进来的QKV是相等的，我们会使用映射linear做一个映射得到参数矩阵Wq, Wk,Wv
        self.W_Q = nn.Linear(d_model, d_k * n_heads)
        self.W_K = nn.Linear(d_model, d_k * n_heads)
        self.W_V = nn.Linear(d_model, d_v * n_heads)
        self.linear = nn.Linear(n_heads * d_v, d_model)
        self.layer_norm = nn.LayerNorm(d_model)

    def forward(self, Q, K, V, attn_mask):
        ## 这个多头分为这几个步骤，首先映射分头，然后计算atten_scores，然后计算atten_value;
        ##输入进来的数据形状： Q: [batch_size x len_q x d_model], K: [batch_size x len_k x d_model], V: [batch_size x len_k x d_model]
        residual, batch_size = Q, Q.size(0)
        # (B, S, D) -proj-> (B, S, D) -split-> (B, S, H, W) -trans-> (B, H, S, W)
        ##view()类似reshape() 重构矩阵形状
        ##下面这个就是先映射，后分头；一定要注意的是q和k分头之后维度是一致额，所以一看这里都是dk
        q_s = self.W_Q(Q).view(batch_size, -1, n_heads, d_k).transpose(1,
                                                                       2)  # q_s: [batch_size x n_heads x len_q x d_k]
        k_s = self.W_K(K).view(batch_size, -1, n_heads, d_k).transpose(1,
                                                                       2)  # k_s: [batch_size x n_heads x len_k x d_k]
        v_s = self.W_V(V).view(batch_size, -1, n_heads, d_v).transpose(1,
                                                                       2)  # v_s: [batch_size x n_heads x len_k x d_v]

        ## 输入进行的attn_mask形状是 batch_size x len_q x len_k，然后经过下面这个代码得到 新的attn_mask : [batch_size x n_heads x len_q x len_k]，就是把pad信息重复了n个头上
        attn_mask = attn_mask.unsqueeze(1).repeat(1, n_heads, 1, 1)
        ##    repeat的参数是对应维度的复制个数
        ##然后我们计算 ScaledDotProductAttention 这个函数，去7.看一下
        ## 得到的结果有两个：context: [batch_size x n_heads x len_q x d_v], attn: [batch_size x n_heads x len_q x len_k]
        context, attn = ScaledDotProductAttention()(q_s, k_s, v_s, attn_mask)
        context = context.transpose(1, 2).contiguous().view(batch_size, -1,       ##x.contiguous().view()  分配新内存并改变形状
                                                            n_heads * d_v)  # context: [batch_size x len_q x n_heads * d_v]
        output = self.linear(context)
        return self.layer_norm(output + residual), attn  # output: [batch_size x len_q x d_model]
class ScaledDotProductAttention(nn.Module):
    def __init__(self):
        super(ScaledDotProductAttention, self).__init__()

    def forward(self, Q, K, V, attn_mask):
        ## 输入进来的维度分别是 [batch_size x n_heads x len_q x d_k]  K： [batch_size x n_heads x len_k x d_k]  V: [batch_size x n_heads x len_k x d_v]
        ##首先经过matmul函数得到的scores形状是 : [batch_size x n_heads x len_q x len_k]
        scores = torch.matmul(Q, K.transpose(-1, -2)) / np.sqrt(d_k)
        ##  matmul为矩阵乘法
        ## 然后关键词地方来了，下面这个就是用到了我们之前重点讲的attn_mask，把被mask的地方置为无限小，softmax之后基本就是0，对q的单词不起作用
        scores.masked_fill_(attn_mask, -1e9)  # Fills elements of self tensor with value where mask is one.
        attn = nn.Softmax(dim=-1)(scores)  ## dim=-1是对行进行归一化与dim=2相同
        context = torch.matmul(attn, V)
        return context, attn
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48

Masked掩码

1.padding mask

主要用于对齐输入序列，一般来说，输入的句子长度不等，需以零填充补齐，或者序列过长可以截断。

def get_attn_pad_mask(seq_q, seq_k):
    batch_size, len_q = seq_q.size()
    batch_size, len_k = seq_k.size()
    # eq(zero) is PAD token
    pad_attn_mask = seq_k.data.eq(0).unsqueeze(1)  # batch_size x 1 x len_k, one is masking
    return pad_attn_mask.expand(batch_size, len_q, len_k)  # batch_size x len_q x len_k
1
2
3
4
5
6

2.sequence mask

主要应用于解码器输入时的处理，假设当前时刻为t,需掩盖t时刻后的信息，其解码是通过t及t时刻之前的信息预测，具体做法是产生一个上三角矩阵全1矩阵，将其值赋负无穷大，经softmax函数后对应概率为0，可以实现掩盖的作用。

def get_attn_subsequent_mask(seq):
    """
    seq: [batch_size, tgt_len]
    """
    attn_shape = [seq.size(0), seq.size(1), seq.size(1)]
    # attn_shape: [batch_size, tgt_len, tgt_len]
    subsequence_mask = np.triu(np.ones(attn_shape), k=1)  # 生成一个上三角矩阵
    subsequence_mask = torch.from_numpy(subsequence_mask).byte()
    return subsequence_mask  # [batch_size, tgt_len, tgt_len]
1
2
3
4
5
6
7
8
9

2.Add&Norm

Add为Resnet中H(x)=F(x)+x,即为上面输入的Q矩阵，其可以解决深度神经网络退化的问题，退化具体表现为训练集上准确度饱和后再训练准确率下降，测试集上准确率也下降，其可能是达到某层网络后准确率饱和，而后层网络实现的应事恒等映射，即F(x) = x。而Resnet通过H(x)=F(x)+x，将训练目标转换为F(x)=0,使得网络训练更加容易，较好解决了退化问题。
Norm用的是Layer Normalize而不是BatchNormalize，原因是对语义进行BatchNormalize无意义，多个样本对应词的标准化没有意义，只有在同一样本中的词之间存在相互关联，

3.Feed Forward(前馈神经网络)

表达式为

其先进行线性变换，再通过Relu()激活函数，然后再进行线性变换，为简单的两层全连接网络。

四、Decoder Block

结构如下

N=6，即6个相同decoder模块堆叠而成。
Decoder模块的第一个Masked Mutil-Head Attention中的Masked表示的是sequence mask,第二个Multi-Head Attention 的输入有第一层Masked Mutil-Head Attention的Q，可以理解为查询，另外的K,V来自Encoder模块最后一层输出，代表键值对。即代表将t及t时刻之前的信息与编码所得到的信息对比，得到输出概率分布，然后输出概率最大可能的那个词。

代码如下

class DecoderLayer(nn.Module):
    def __init__(self):
        super(DecoderLayer, self).__init__()
        self.dec_self_attn = MultiHeadAttention()
        self.dec_enc_attn = MultiHeadAttention()
        self.pos_ffn = PoswiseFeedForwardNet()

    def forward(self, dec_inputs, enc_outputs, dec_self_attn_mask, dec_enc_attn_mask):
        dec_outputs, dec_self_attn = self.dec_self_attn(dec_inputs, dec_inputs, dec_inputs, dec_self_attn_mask)
        dec_outputs, dec_enc_attn = self.dec_enc_attn(dec_outputs, enc_outputs, enc_outputs, dec_enc_attn_mask)
        dec_outputs = self.pos_ffn(dec_outputs)
        return dec_outputs, dec_self_attn, dec_enc_attn


## 9. Decoder

class Decoder(nn.Module):
    def __init__(self):
        super(Decoder, self).__init__()
        self.tgt_emb = nn.Embedding(tgt_vocab_size, d_model)
        self.pos_emb = PositionalEncoding(d_model)
        self.layers = nn.ModuleList([DecoderLayer() for _ in range(n_layers)])

    def forward(self, dec_inputs, enc_inputs, enc_outputs):  # dec_inputs : [batch_size x target_len]
        dec_outputs = self.tgt_emb(dec_inputs)  # [batch_size, tgt_len, d_model]
        dec_outputs = self.pos_emb(dec_outputs.transpose(0, 1)).transpose(0, 1)  # [batch_size, tgt_len, d_model]

        ## get_attn_pad_mask 自注意力层的时候的pad 部分
        dec_self_attn_pad_mask = get_attn_pad_mask(dec_inputs, dec_inputs)

        ## get_attn_subsequent_mask 这个做的是自注意层的mask部分，就是当前单词之后看不到，使用一个上三角为1的矩阵
        dec_self_attn_subsequent_mask = get_attn_subsequent_mask(dec_inputs)

        ## 两个矩阵相加，大于0的为1，不大于0的为0，为1的在之后就会被fill到无限小
        dec_self_attn_mask = torch.gt((dec_self_attn_pad_mask + dec_self_attn_subsequent_mask), 0)

        ## 这个做的是交互注意力机制中的mask矩阵，enc的输入是k，我去看这个k里面哪些是pad符号，给到后面的模型；注意哦，我q肯定也是有pad符号，但是这里我不在意的，之前说了好多次了哈
        dec_enc_attn_mask = get_attn_pad_mask(dec_inputs, enc_inputs)

        dec_self_attns, dec_enc_attns = [], []
        for layer in self.layers:
            dec_outputs, dec_self_attn, dec_enc_attn = layer(dec_outputs, enc_outputs, dec_self_attn_mask,
                                                             dec_enc_attn_mask)
            dec_self_attns.append(dec_self_attn)
            dec_enc_attns.append(dec_enc_attn)
        return dec_outputs, dec_self_attns, dec_enc_attns
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46

五、总结

Transformer模型包含的内容还是比较多，希望这篇文章能对你有所帮助。