经典模型——Transformer_transformer预测

MLP、CNN、RNN后的第四大模型。

Abstract

序列转录模型主要是采用RNN或者CNN。里面常常包含一种编码器和解码器的结构。

仅仅依赖于注意力机制。

该篇文章主要是针对机器翻译做的。后来应用在了不同的领域。

Introduction

问题：

1. RNN是一个一步步计算的过程，无法并行，计算性能很差；
2. 时序信息会随着序列的移动而丢失。

注意力机制很早就和RNN有所结合，更好地实现了编解码器之间的数据交互。

但是本文舍弃了RNN的结构，完全采用注意力机制来完成。

Background

用卷积神经网络对比较长的序列难以建模，需要用很多层卷积扩大感受野。卷积的优势在于有多个输出通道，每个通道可以学一个模式。

因此，本文提出了多头的注意力模型。

Model Architecture

对于序列模型来说，编码器-解码器结构在序列任务中有不错的表现。

对于解码器而言，在循环神经网络中，词是一个个输出的，过去时刻的输出会作为当前时刻的输入，这称为自回归。

对于解码器而言，是可以看到全部的句子的。编码器得到的序列整个交付给解码器。

Encoder and Decoder Stacks

Encoder：包含了六个堆积的模块，每个模块有两个子层。每一个模块中，两个子层都有相应的残差连接，随后经过标准化（LayerNorm）。

为了避免残差连接时，通道大小的不一致（需要做投影），本文将其的维度统一设置为512。

BatchNorm与LayerNorm

Internal Covariate Shift：训练的过程中，数据的分布在不断地变化，为下一层网络的学习带来了困难。

在训练的时候，对于一个二维矩阵，行代表样本，列代表特征，BatchNorm是将每列做一个标准化（算均值、标准差，Z-score）。在测试的时候，

通常而言，最后会用可学习的参数$\gamma ,\beta$，对得到的标准化的结果做一个线性变换，相当于是改变了这个分布的均值和方差。

这是因为，如果全都统一成标准正态分布，那模型学习到的特征分布就完全被消除了。因此有必要给他微调的机会。

我认为BN层起到的作用应该是一方面限制其分布不要太离谱，有一个基本的雏形，另一方面又不希望都是一个模子里刻出来的。

在测试时，用到的均值和方差的参数是在训练的时候算出来的。

公式为$\mu =m\mu +(1-m){\mu }_{batch},\sigma 同理$。

如果输入的是[B,C,H,W]的话，输出的是[C,H,W]。

LayerNorm是针对一个Batch中的一个Sample而言的。其计算的是所有channel中的每一个参数的均值和方差，进行归一化，即只在C维度上进行。

公式为$$y=\frac{x-E[x]}{\sqrt{Var[x]+ϵ}}\cdot \gamma +\beta$$

LN通常用在NLP中，因为NLP中一个Sample是一个句子，句子中的每一维度都是一个词，因此同一维度的词之间没有共性的特征关系，同时为了做BN还要padding没用的块，所以BN的效果很糟糕。

因此训练过程中归一化的对象是一个词。

因为是对每个样本自己来做的，所以没必要在训练过程中算全局的均值和方差。

Decoder：带掩码。使得训练和预测时的行为保持一致。其输入是Encoder的全部输出。

Attention

注意力函数一个query和一系列key映射成一个输出的函数。

Scaled Dot-Product Attention

常见的注意力机制有两种，分别是加法和点积。这里采用了点积的形式，因为其算起来比较高效。

但是这里还除了一个$\sqrt{d_k}$，目的是为了避免softmax这样的函数在训练过程中出现饱和的情况（最后出现当然是好的）。

这也是该注意力命名的由来。

接下来讲一下注意力函数$$Attention(Q,K,V)=softmax(\frac{Q{K}^T}{\sqrt{d_k}})V$$

其中Q、K、V的每一个shape都是$(num\_sample,num\_feature)$，可想而知，$Q{K}^T$的元素$(i,j)$的含义是，我的第i个样本需要对第j个样本注意多少。

key,value的shape应该是一致的，query的shape可以和他们不一样。

怎么样做mask？
解码器中，是不能看到后续的内容的，所以让第t个时间的query只看前面的key。这里算还是正常算，就是最后将乘出来的结果t+1之后的数据变成一个很大的负数即可，softmax后就会变为0.

Muti-Head Attention

模拟多个输出通道，将输入的内容分割成很多个等大小的通道。

Applications of Attention in our Model

有三种不同的注意力层。

解码器的第一个注意力层有一个Mask的东西。

解码器的第二个注意力层的输入：key和value来自于编码器，query来自于上一个注意力层。

Position-wise Feed-Fordward Networks

说白了就是一个MLP，作用在最后一层。

单隐藏层MLP，中间的隐藏层将维度变成2048，之后再变回来。

公式为：

pytorch输入的是3d的话，默认是在最后一个维度做计算。

Attention起的作用的是将序列中的信息抓取出来，做一次汇聚。MLP的作用是映射成我想要的语义空间，因为每一个词都有了完整的序列信息，所以MLP是可以单独做的。

RNN也用MLP做一个转换，为了保证序列信息的获取，将上一时刻的输出输入到下一时刻的MLP。

Embedding and Softmax

就是将词映射成向量。

Positional Encoding

Attention是没有时序信息的，所以要进行位置编码。

$$P(pos,2i)=\sin \frac{pos}{10000^{\frac{2i}{d_{model}}}}$$
$$P(pos,2i+1)=\cos \frac{pos}{10000^{\frac{2i}{d_{model}}}}$$

Why Self-Attention

第一个比较的是计算复杂度、第二个是序列事件（并行性的度量）、第三个是最大路径长度（从序列的第一个位置到最后一个位置要走多久，体现信息的糅合性）。

Q K^T的话，n个样本和n个样本相乘，每次乘d次，所以是这个复杂度。

循环神经网络的话，进来一个d维度的样本，MLP进行对每一维度进行d次运算，共进行n次，所以是这个数。

目前来看的话两者的计算复杂度没啥区别。主要是后续的内容：Attention信息不容易丢失且并行度较高。

但是Attention对于模型的约束更少需要更大的模型和更多的约束才能训练出来。

Conclusion

使用了encoder-decoder的结构，不过将其中的recurrent layers换成了multi-headed self-attention。