李宏毅 Transformer 学习笔记_李宏毅transformer笔记

  其中PPT下载地址为 https://download.csdn.net/download/herosunly/16811638

1. self-attention

1.1 为什么要引入self-attention

  基于RNN(LSTM)的序列模型来说，计算每个cell的输出无法进行并行化。而且单向的RNN无法很好的利用全局的信息。其中下面中的a和b均为向量。

  self-attention的出现恰好解决了以上两大问题。

其中x->a这一步貌似在论文中并没有体现。在求每一个output的时候，对应的q会对所有的k求内积（除以$\sqrt{d}$，其中d为向量的维度），然后通过softmax进行归一化，得到对应每个v的权重$\hat{\alpha }$，最终加权v计算得到b。

1.2 self-attention的基本原理

1.3 self-attention的矩阵表示

  矩阵表示是为了体现可使用GPU进行加速。其中这一部分涉及到了矩阵的几种乘法。除了常规的乘法以外，还有列操作和行操作。

  列操作是指矩阵的$C$的第j列是通过矩阵$A$乘以矩阵$B$第j列的列向量得到的。这表明矩阵 $C$ 的列向量是矩阵 $A$列向量的线性组合，组合的“权”就是矩阵 $B$ 第j列的各个分量。

  行操作是指矩阵 $C$ 的第 i 行是通过矩阵 $A$ 的第 i 行乘以矩阵 $B$得到的。这表明矩阵$C$的行向量是矩阵$B$行向量的线性组合。

对于每个输出b来说，权重是一个列向量。

1.4 Multi-head self-attention

  为什么要设置不同的head,不同的head关注的信息可能是不同的，有的head关注的是局部信息，有的关注的是较长距离的信息。

  得到Multi-head的两个result $b^{i,1}$和$b^{i,2}$，可直接进行concat得到$b^i$，或者乘以$W^0$(降维)得到$b^i$。

2. Positional Encoding

  在self-attention中并没有位置信息，所以需要添加上位置信息。在词嵌入后添加one-hot向量$p^i$(维度为$p^i$的维度)。
W X = [ W I W p ] [ x i p i ] WX=[W^I \quad W^p] \left[

$$\begin{array} { l } { x^i } \\ { p^i } \end{array}$$ \right] WX=[WIWp][xipi​] $$WX=W^I{x}^i+W^p{p}^i=a^i+e^i$$

http://jalammar.github.io/illustrated-transformer/

3. seq2seq

seq2seq的复习视频为：https://www.youtube.com/watch?v=ZjfjPzXw6og&feature=youtu.be

https://ai.googleblog.com/2017/08/transformer-novel-neural-network.html ，在decoder阶段输出不仅是由encoder的输出有关，还和decoder之前的输出有关。如图中绿色的部分不仅要收到上一行的4个输入，还有接收同一行前面的3个输入，才能生成绿色部分。

4. Transformer

  Batch Norm: https://www.youtube.com/watch?v=BZh1ltr5Rkg, Layer Norm:https://arxiv.org/abs/1607.06450， 其中Add层指的是把输出和输入相加。其中Batch Norm是让在Batch Size中的样本同一个维度的均值为0，方差为1。Layer Norm是让同一样本的不同维度的均值为0，方差为1。

  Masked:关注已经产生的部分。

每个词两两之间都有attention,https://arxiv.org/abs/1706.03762。

it在不同的句子中代表的不同的含义。

Multi-head Attention的例子，红色的更关注local信息，绿色的更关注长距离信息。

https://arxiv.org/abs/1801.10198，机器阅读了多篇文章，检索生成对应词汇的维基百科。

https://ai.googleblog.com/2018/08/moving-beyond-translation-with.html