大语言模型系列-Transformer_大语言模型 transformer

---

前言

前文大语言模型系列-ELMo提到了，RNN的缺陷限制了NLP领域的发展，2017年Transofrmer的横空出世，NLP领域迎来了基于Transformer的预训练模型（LLM）的大爆发。

Transformer由谷歌的2017年论文《Attention is All You Need》提出。

Transformer通过引入注意力机制解决了RNN存在的以下问题：

• RNN编码器-解码器结构中，仅将最后一个隐藏状态传递给解码器，会丢失信息
• RNN难以并行计算

---

提示：以下是本篇文章正文内容，下面内容可供参考

一、Attention

1. 循环神经网络（RNN）模型建立了网络隐藏层之间的时序关联 , 每一时刻的隐藏层$s_t$，不仅取决于输入$x_t$，还取决于上一时刻隐藏层信息$s_{t-1}$
   
2. 两个RNN组合可以形成Encoder-Decoder模型
   
3. 但是这种不管输入多长，都统一压缩成长度编码C的做法，会导致信息的丢失，因此出现了Attention机制：即通过每个时间输入不同的C解决这个问题，其中$a_t$表明了在$t$时刻所有输入的权重，以$c_t$的视角看过去，$a_t$权重就是不同输入的注意力，因此也被称为Attention分布
   
4. 后来随着GPU等大规模并行运算的发展，人们发现RNN的顺序结构很不方便，难以并行运算，效率太低
   
5. 便去掉了Encoder(RNN)隐藏层，衍生出自注意力（Self-Attention）
   
6. 但去除Encoder隐藏层的同时也失去了上下文的关联，可以通过位置编码的方法增加数据的先后关系（位置编码在词嵌入完成后再进行计算）
   

   ps：RNN有天然的时序关系，在输入“我爱你”这句话时，会先输入“我”…，Self-Attention可以将一句话同时输入同时处理，实现并行计算，增加了速度，但是这种方法损失了单词间的先后关系

二、Transformer结构

Transformer是典型的编码器-解码器架构

编码组件部分由一堆编码器（Encoder）构成（论文中是将6个编码器叠在一起）。解码组件部分也是由相同数量（与编码器对应）的解码器（Decoder）组成的。

所有的Encoder在结构上都是相同的，但它们没有共享参数。

• 每个Encoder都可以分解成两个子层：自注意力层、前馈神经网络层
• 每个Decoder都可以分解成三个子层：自注意力层、编码解码注意力层、前馈神经网络层，其中编码解码注意力层用于接收编码器输出

Transformer完整结构图如下图，图中的Self-Attention变成了多头注意力机制（Multi-Head Attention），下文会详细解释。

三、Transformer计算过程

1. 编码器（Encoder）

像大部分NLP应用一样，首先将每个输入单词通过词嵌入算法转换为词向量。每个单词都被嵌入为512维的向量，用这些简单的方框来表示这些向量。

词嵌入过程只发生在最底层的编码器中。所有的编码器都有一个相同的特点，即它们接收一个向量列表，列表中的每个向量大小为512维。在底层（最开始）编码器中它就是词向量，但是在其他编码器中，它就是下一层编码器的输出（也是一个向量列表）。向量列表大小是我们可以设置的超参数——一般是我们训练集中最长句子的长度。

将输入序列进行词嵌入之后，每个单词都会流经Encoder中的两个子层。

1）Self-Attention层

1. 第一步是生成每个单词的查询向量q、键向量k和值向量v

将输入的词向量矩阵与三个权重矩阵（$W^Q,W^K,W^V$）相乘，获得查询向量矩阵（Q）、键向量矩阵（K）和值向量矩阵（V），其中每个单独词向量的查询向量、键向量和值向量为$q_i,k_i,v_i$

2. 第二步是通过查询向量q、键向量k计算每个单词对编码当下单词的贡献分数，计算方式为：该单词查询向量$q_i$点乘其他所有单词的键向量$k_j$，结果除以8再softmax

ps：假设我们在为这个例子中的第一个词“Thinking”计算自注意力向量，我们需要拿输入句子中的每个单词对“Thinking”打分。这些分数决定了在编码单词“Thinking”的过程中有多重视句子的其它部分。

3. 第三步是通过贡献分数和值向量v计算自注意力输出，计算方式为：将每个值向量$v_t$乘以softmax分数，然后求和

ps：

这样Self-Attention的计算就完成了（注意：这里为了演示，以单个词向量的计算为例，实际中，这些计算是以矩阵Q、K、V形式完成计算的），具体公式如下：

$$Attention(Q,K,V)=softmax(\frac{Q{K}^T}{\sqrt{d_k}})V$$

2）Multi-Head-Attention层

Transformer中使用的是注意力层的计算使用的是多头注意力机制，Multi-Head-Attention是Self-Attention的扩展，与上述相同的Self-Attention计算基本相同，区别在于使用八个不同的Q、K、V权重矩阵，进行八次Self-Attention得到八个不同的Z矩阵，然后把这些矩阵拼接在一起，用一个附加的权重矩阵$W^o$与它们相乘得到结果。

Multi-Head-Attention在两方面提高了注意力层的性能：

1. 扩展了模型专注于不同位置的能力：多头注意力可以协同工作，以更好地处理长距离的依赖关系。每个头可以关注不同距离的上下文，有助于模型更好地捕捉全局信息。
2. 更好的捕捉多重关系：多头注意力允许模型在同一时间关注输入序列的不同部分，每个注意头都可以学习关注序列中不同的特征。这有助于模型更好地捕捉输入序列中的多重关系和模式。

3）Add & Norm层

接下来，对Multi-Head-Attention的输出进行求和与归一化（Add & Norm，这里的Norm具体指Layer-Normalization），然后输入到前馈神经网络中， 注意Encoder的每个子层周围都有一个残差连接，并跟随一个求和归一化（如下图所示）。

将Encoder向量都进行可视化，结果如下所示：

这样我们就基本清楚了Encoder的具体内容与计算情况，相比于Encoder，Decoder多了一个Encoder-Decoder Attention层 。假设一个 Transformer 是由 2 层编码器和两层解码器组成的，如下图所示。

注意编码器最终会输出一组Attention向量 K 和 V到解码器，计算方式是初始化一个新的$W^K$和$W^V$权重矩阵和最后一个Encoder层输出$Z_n$相乘。

2. 解码器（Decoder）

Decoder结构相比于Encoder结构有两大区别：

1. 多头注意力层和Add & Norm层中间多了一个Encoder-Decoder Attention层
2. 多头注意力层变为Masked Multi-head Self Attention

1）Masked Multi-head Self Attention层

掩膜多头注意力层和多头注意力层类似，但其只允许关注输出序列中早于当前位置之前的单词。具体做法是Masked：在 Self Attention 分数经过 Softmax 层之前，屏蔽当前位置之后的那些位置。

2）Encoder-Decoder Attention层

编码器输出的Attention向量K 和 V将会输入到每个解码器的Encoder-Decoder Attention层，这有助于解码器把注意力集中到输入序列的合适位置。

Encoder-Decoder Attention层的原理和多头注意力层类似，不同之处是：Encoder-Decoder Attention层是使用前一层的输出来构造 Q 矩阵，而 K、V矩阵来自于编码器的输出。

3. 输出

解码器的输出，会经过最后的全连接层（Linear）和 Softmax 层得到最终的输出结果，这里以英语翻译为例：

全连接层会把解码器输出的向量，映射到一个更长的向量，这个向量称为 logits 向量。假设我们的模型词汇表有 10000 个英语单词，则 logits 向量有 10000 个数字，每个数表示一个单词的分数。

然后，Softmax 层会把这些分数转换为概率（把所有的分数转换为正数，并且加起来等于 1），最高概率的那个数字对应的词将作为这个时间步的输出。

4. 训练和预测

以英语翻译为例

训练过程如下：

1. 第一个时间步，输入起始符，对应的输出为I
2. 第二个时间步，输入起始符+我，对应的输出为Love
3. 第三个时间步，输入起始符+我+爱，对应的输出为China
4. 第三个时间步，输入起始符+我+爱+中国，对应的输出为结尾符end of sentence

ps：注意训练阶段输入输出都是已知的，所以可以并行执行，预测过程则只能按时间步进行

预测过程如下：

1. 第一个时间步，输入起始符+Encoder Enbeddings，对应的输出为I
2. 第二个时间步，输入Encoder Enbeddings+I，对应的输出为am
3. 第三个时间步，输入Encoder Enbeddings+am，对应的输出为a
4. 第四个时间步，输入Encoder Enbeddings+a，对应的输出为student
5. 第五个时间步，输入Encoder Enbeddings+student，对应的输出为结尾符$<eos>$

5. 损失函数

Transformer的损失函数其实就是对比模型输出的概率分布与实际的概率分布，序列生成任务中常使用负对数似然损失（Negative Log-Likelihood Loss, NLL Loss），又称为交叉熵(cross-entropy)损失

• 每个时间步的输出向量即为一个概率分布，长度是 vocab_size
• 第一个概率分布中，最高概率对应的单词是 “I”
• 第二个概率分布中，最高概率对应的单词是 “am”
• 以此类推，直到第 5 个概率分布中，最高概率对应的单词是 $<eos>$，表示没有下一个单词了

---

总结

Transformer最初诞生于NLP领域，但到目前为止，已经成为了各个领域（CV、语音信号处理、多模态等）最新最火的架构，尤其是Transformer的注意力机制，比CNN看得更宽更远（能够处理长距离依赖，而CNN往往只能看到局部信息），比LSTM训练更快。

当训练数据集不够大的时候，Transformer的表现通常比同等大小的CNN网络要差一些，但当拥有足够多的数据进行预训练的时候，Transformer的表现就会超过CNN，突破Transformer缺少归纳偏置的限制，可以在下游任务中获得较好的迁移效果。

ps：CNN具有两种归纳偏置，一种是局部性（locality/two-dimensional neighborhood structure），即图片上相邻的区域具有相似的特征；一种是平移不变形（translation equivariance）， f(g(x))=g(f(x)) ，其中g代表卷积操作，f代表平移操作。当CNN具有以上两种归纳偏置，就有了很多先验信息，需要相对少的数据就可以学习一个比较好的模型。