代码复现——Transformer_robotics transformer复现

回顾

self-attention:

首先对于每一个输入，先进行embedding得到a1-a4，

进入self-attention层，乘以对应矩阵得到transformation matrix

第二步是scaled dot-product attention，计算每一个输入与其他输入之间的关系，得数较大的关系紧密。得到结果之后送入softmax层。

用softmax得到的值相当于一个权重，分别乘以对应的v值并求和就得到了最终结果。

总体来说输出如下。

用矩阵来表示：

Multi-head Self-attention

这部分我的理解是，几头注意力机制，每个输入就对应了几对qkv，然后每一个qkv之内计算对应的b。

最后将两个输出进行拼接。得到的最终结果维度和单个头的输出结果维度相同。对这种方法我的理解是，对于不同的头，每一个头可以去注重特定部分的信息，比如两头注意力机制，一个头侧重全局的关系，一个侧重个别的输入点关系，这样就得到了多个侧重点不同的结果，并最后进行拼接。

Positional Encoding

上述的注意力机制没有包含输入的位置信息，这样会有问题。于是论文中加入了位置编码进行改进。论文中是将每一个词加入了0ne-hot 编码（这个编码我的理解是展示了该词汇在整个输入中的位置，在该位置处写1）

给每一个位置规定一个表示位置信息的向量 ei，让它与 ai加在一起之后作为新的 参与后面的运算过程，但是这个向量 ei是由人工设定的，而不是神经网络学习出来的。每一个位置都有一个不同的 ei。

文章中位置embedding的做法是运用如下公式：

其中pos是该词汇在输入句子中的位置。当刚刚看到这个公示的时候感觉这个位置编码很麻烦，也不理解是为啥，然后看到博客里这样说的：

其实感觉one-hot编码也有这三种的优点，可能是论文作者在实验中发现这种方式效果好一些？也可能是采用one-hot的方式向量过于稀疏？后续准备自己尝试一下one-hot编码计算位置的方式。

核心部分

Encoder

总结一下，encoder部分

1. 首先拿到已经embedding的输入
2. 进入一个multihead Attention，然后加入了一个残差连接，把多头注意力部分的输入输出相加（这两部分维度相同）得到的结果做layer normalization 。
3. 然后进入FFN层，这里我认为就是一个全连接层，之后再进行一次layer normalization。
4. 整个这部分要重复N次。

Decoder

总结一下这部分内容：

1. 首先得到的输入（图中下方的output）是encoder的输出再加上位置编码。送入一个masked的多头注意力模块，mask的原因是注意力只关注已经产生的sequence，没产生的不关注，因此盖住。之后加上一个残差连接，并进入layer normalization。
2. 然后进入下一个multihead层，这部分的输入不单纯是上一层

masked multihead Attention，而是加入了它的Key和Value来自encoder，Query来自上一位置decoder的输出。，query部分加入残差连接之后，结合这部分的输出一起送入layer normalization。

1. 进入一个全连接层，结合残差连接，再次进行layer normalization。

Masked multihead attention

Mask的原因，如下图可见

根据图片所示，qk相乘之后进行了一个mask操作，这个mask的实质就是将qk相乘后的矩阵再乘以一个矩阵，使得得到的新矩阵部分值为0，这样就盖住了后续的部分。最后乘以v时，0值部分不起作用。

代码部分

ScaledDotProductAttention：

如图，这部分首先将QK相乘，然后除以根号下dk，再进行mask，进行softmax之后，和V相乘。

在这部分开始之前我去学习了一下pytorch的相关知识。

class ScaledDotProductAttention(nn.Module):   
    def __init__(self, temperature, attn_dropout=0.1):       

super().__init__()      

self.temperature = temperature       

self.dropout = nn.Dropout(attn_dropout)
   

def forward(self, q, k, v, mask=None):
        attn = torch.matmul(q / self.temperature, k.transpose(2, 3))

#QK相乘再除以根号下的维度
        if mask is not None:           

attn = attn.masked_fill(mask == 0, -1e9)

#根据要求判断是否需要mask
attn = self.dropout(F.softmax(attn, dim=-1))

#运用了随机失活      

output = torch.matmul(attn, v)
    return output, attn

#返回结果为计算过的attention（也就是QK相乘），以及加权后的V（V的维度和QK相同）

位置编码

对应公式：

    首先get_position_angle_vec(position)函数返回一个列表，列表中每一个值计算的是position/（10000）^(hid_j/hid),其中hid_j指的是遍历hid的每一个值。

    然后sinusoid_table这个表格保存的是对于每一个位置下的pos返回一个列表，sinusoid_table[i]指的是pos为i情况下get_position_angle_vec(i)列表。

    最后对奇偶位置的表格中每个数值分别求sin和cos值。

    这个代码段和官方的有一个差别就是官方的乘方是2i/d，而这个代码段用的是2*hid_j//2。

多头注意力模块

这部分首先书初始化wq，wk，wv这几个矩阵，初始化函数中的参数：

n_head:  几头注意力机制

d_model:输入的维度

d_k:  k 矩阵的维度

d_v:  v 矩阵的维度

dropout：运用了随机失活

这里我去补习了一下nn.liner函数：

这个函数的原理就是output= weights*input+bias

input: 表示输入的Tensor，可以有多个维度

weights: 表示可学习的权重，shape=(output_feature,in_feature)

bias: 表示科学习的偏置，shape=(output_feature)

in_feature： nn.Linear 初始化的第一个参数，即输入Tensor最后一维的通道数。

out_feature： nn.Linear 初始化的第二个参数，即返回Tensor最后一维的通道数。

output: 表示输入的Tensor，可以有多个维度。

初始化：nn.Linear(in_feature,out_feature,bias)

函数执行：out=nn.Linear(input)

input: 表示输入的Tensor，可以有多个维度
output: 表示输入的Tensor，可以有多个维度

这里执行前向传播

view函数，这里相当于numpy中的resize功能。

>>> import torch

>>> t1 = torch.tensor([1,2,3,4,5,6])

>>> result = tt1.view(3,2)

>>> result

tensor([[1, 2],

        [3, 4],

        [5, 6]])

transpose函数：

将两个相应的维度进行变换

import  torch

X = torch.Tensor([[1,2,3],[4,5,6]])

X = X.transpose(0, 1)

print(X)

这部分有个问题，首先self.attention是ScaledDotProductAttention的类，然后q, attn = self.attention(q, k, v, mask=mask)这句话显然是想调用self.attention这个类中的forward函数，这样不应该是:

q, attn = self.attention.forward(q, k, v, mask=mask)

前向传播模块Feed Forward Network

这部分就是一个加入了dropout的全连接网络部分。

补习一下dropout函数：

链接：https://www.cnblogs.com/CircleWang/p/16025723.html

Encoder

Decoder