【阅读笔记】通俗易懂的 transformer 笔记

前言

这篇文章是关于《如何从浅入深理解transformer》 的一个阅读笔记。

因为是第一次接触 transformer，找了半天，感觉这篇文章作为入门来说还不错，可以将整个发展的历程串联起来讲。

但是这毕竟是一篇阅读笔记，我只会对个人不太清楚的概念详细了解。

第 1 节 · N 元文法语言模型

n-Gram 模型的主体思想就是：下一个词出现的概率只依赖于它前面 n-1 个词，也被称为 n 阶马尔科夫链。

文中出现的公式：$$P(w_t|w_1,w_2,...,w_{t-1})=\frac{C(w_1,w_2,...,w_t)}{C(w_1,w_2,...,w_{t-1})}$$ 其中的参数 $C(w_1,w_2,...,w_t)$ 表示词序列 $w_1,w_2,...,w_t$ 在训练语料中出现的次数（count）。$C(w_1,w_2,...,w_{t-1})$ 也是一样的含义。但是根据条件概率的定义的，本来的公式应该是：$$P(w_t|w_1,w_2,...,w_{t-1})=\frac{P(w_1,w_2,...,w_t)}{P(w_1,w_2,...,w_{t-1})}$$也就是应该使用词序列在训练语料里出现的概率来进行计算的。

为什么第一个公式使用了次数（count）来代替概率（probability）来计算条件概率呢？

由于在实际应用中，直接计算词序列的联合概率 $P(w_1,w_2,...,w_t)$ 通常不可行，因为它们涉及到整个词序列的概率计算，而这些概率往往非常小，容易导致数值下溢。因此，通常使用词频来近似这些概率。
根据大数定律，当语料库足够大时，词频可以近似为概率。因此，可以将上述公式中的概率用词频来替代：

接着，我们就可以对词序列 $w_1,w_2,...,w_t$ 的概率 $P(w_1,w_2,...,w_t)$ 进行计算了： P ( w 1 , w 2 , . . . , w t ) = P ( w t ∣ w 1 , w 2 , . . . , w t − 1 ) ⋅ P ( w t − 1 ∣ w 1 , w 2 , . . . , w t − 2 ) … P ( w 1 ) = ∏ t − 1 i = 1 P ( w i ∣ w 1 : i − 1 )

$$\begin{align*} P(w_1, w_2,...,w_{t}) &= P(w_t|w_1, w_2,...,w_{t-1}) \cdot P(w_{t-1}|w_1, w_2,...,w_{t-2}) \dots P(w_1) \\ &=\prod_{t-1}^{i=1} P(w_i|w_{1:i-1}) \end{align*}$$ P(w1​,w2​,...,wt​)​=P(wt​∣w1​,w2​,...,wt−1​)⋅P(wt−1​∣w1​,w2​,...,wt−2​)…P(w1​)=t−1∏i=1​P(wi​∣w1:i−1​)​ 上面这个是 n-gram 模型计算词序列概率的式子，也就是第 n 个词只依赖于它前面的 n-1 个词。

如果是 n = 2 的情况，也就是二元文法 bi-gram 模型的情况呢，第 n 个词只依赖于它前面的第 n-1 个词，也就是当前词语出现的概率只由上一个词决定。我们可以稍微简化一下上面的公式，就可以得到：$$P(w_1,w_2,...,w_t)=\prod _{i=1}^{t-1}P(w_i|w_{i-1})=\prod _{i=1}^{t-1}\frac{C(w_{i-1},w_i)}{C(w_{i-1})}$$ 这就是二元文法 bi-gram 模型计算词序列出现概率的公式。

• 如果有词出现次数为了 0，这一串乘出来就是 0 了，咋办？
• 因为基于马尔科夫假设，所以 N 固定窗口取值，对长距离词依赖的情况会表现很差。
• 如果把 N 值取很大来解决长距离词依赖，则会导致严重的数据稀疏（零频太多了），参数规模也会急速爆炸（高维张量计算）。

文中提出了上面 3 个问题，这个三个问题其实是有某种递进关系的，归纳起来就是

• 零频
• N 取值过小
• N 取值过大

首先我们可以观察上面的 n-gram 公式，如果连乘的概率中出现一个词序列的概率为 0 的话，就会导致整个结果都变为 0。这个问题要怎么尽可能避免了呢，通过减少 N 的取值？尽可能杜绝零频率词序列的出现？但是这会导致长距离词依赖（Long-Range Dependencies）变现变差的问题，如果为了解决长距离词依赖的问题，将 N 值取得很大呢，这又会导致参数爆炸和数据稀疏的问题（也就是回到了问题一，出现词序列零频的问题）。所以这三个问题就像是一个恶性循环，如果尝试解决一个问题，就会引入另一个问题。

所以我们要另辟蹊径，通过外部的手段解决零频的问题，而不是简单的通过调整 N 值的大小。

1.2、平滑（Smoothing）

词序列零频的问题是普遍存在的：

• 未登录词：N 值比较大的时候，可能导致的未登录词问题（Out Of Vocabulary，OOV），N 越大，代表着词序组合的长度越长，很多词序组合可能在训练数据中可能就出现了一两次，甚至没有出现过，并不具备统计学意义。
• 有限的训练数据：训练数据很可能也不是 100% 完备覆盖实际中可能遇到的词的。

为了解决零频的问题，我们引入是平滑（smoothing）的概念。

简单来说就是

1.2.1、加 1 平滑 / 拉普拉斯平滑（Add-One Smoothing / Laplace Smoothing）

bi-gram 的加 1 平滑公式：$$P(w_i|w_{i-1})=\frac{C(w_{i-1},w_i)+1}{{\sum }_{j=1}^V(C(w_{i-1},w_j)+1)}=\frac{C(w_{i-1},w_i)+1}{C(w_{i-1})+V}$$ 其中：

• $C(w_{i-1},w_i)$： 表示词序列 $w_{i-1},w_i$ 的词频
• ${\sum }_{j=1}^V(C(w_{i-1},w_j)+1)$：因为 $j$ 是从 1 到 V，其中 V 表示的是词汇表的数量，也就是说 $w_j$ 是词汇表中出现的每一个词。$w_{i-1},w_j$ 表示第一个词为 $w_{i-1}$ 的情况下，后面跟着不同词的总次数，所以化简之后可以得到最后部分的式子。

其中 $N$ 表示所有词的词频之和，$V$ 表示词汇表的大小。

原文中提到上面这句话，这个 $N$ 可能是指原文公式的求和的上标 $n$，表示 token 的数量，但是我觉得公式里求和的上标应该是词汇表（vocabulary）的大小。

uni-gram 的加 1 平滑公式是：$$P(w_i)=\frac{C(w_i)+1}{N+V}$$这里涉及的 $N$ 就是训练的 token 总数，即便是有重复的词语，都会被计算在内，$V$ 是词汇表的大小，表示在训练数据中唯一的存在，相当于 set 处理之后的 token。

1.2.2、$\delta$ 平滑（Add-K Smoothing / Delta Smoothing）

这是对加 1 平滑的优化，对于某些

bi-gram 的加 $\delta$ 平滑公式：$$P(w_i|w_{i-1})=\frac{C(w_{i-1},w_i)+\delta }{{\sum }_{j=1}^V(C(w_{i-1},w_j)+\delta )}=\frac{C(w_{i-1},w_i)+\delta }{C(w_{i-1})+\delta V}$$ 和加 1 平滑基本一样，就是将 1 换成了 $\delta$。

与加 1 平滑相比，加 $\delta$ 平滑允许对于低频词的平滑程度进行更灵活的控制。当 $\delta$ 较小时，对低频事件的平滑效果较小，而 $\delta$ 较大时，平滑效果更加显著。这使得模型在平滑概率时能够更好地适应不同的数据特点。

$\delta$ 是一个超参数，如果可以寻找到最优的值，就可以使得模型的效果更好，原文中说确定这个 $\delta$ 值需要用到困惑度（Perplexity），但是其实个人觉得，只是一种比较间接的影响关系。

首先加 $\delta$ 平滑操作的对象都是训练集，然后训练出一个语言模型，然后困惑度是用来评价语言模型在测试集上的性能的。通过调整 $\delta$ 值，进行多次训练，使得语言模型在特定测试集的困惑度最小，这样便能得到最优的模型。

1.2.3、困惑度（Perplexity）

（在这里突然插入一个评价指标有点奇怪）

困惑度：评价一个概率模型预测测试集的能力，困惑度越低，表示模型越好。

下面是针对单一词序列 $w_1,w_2,\dots ,w_N$ 的困惑度计算公式，并不是整个测试集的：$$\text{Perplexity}(W)=P(w_1,w_2,\dots ,w_N{)}^{-\frac{1}{N}}=\sqrt[N]{\frac{1}{P(w_1,w_2,\dots ,w_N)}}$$我们可以看到，公式里是将这段词序列的出现概率开了 N 次根，然后再求了倒数。

为什么要进行开 N 次方根的操作？
为了将不同长度的词序列归一化到一个统一的尺度来进行比较。我们将联合概率标准化为每个词的平均概率，即平均每个词的预测概率。这样，我们可以更好地比较模型在不同长度序列上的性能，而不受序列长度的影响。

我们将前面的联合概率的公式代入进去，就可以得到：$$\text{Perplexity}(W)=\sqrt[N]{\prod _{i=1}^N\frac{1}{P(w_i|w_1,w_2,\dots ,w_{i-1})}}$$也可以得到 bi-gram 的单一词序列困惑度计算公式：$$\text{Perplexity}(W)=\sqrt[N]{\prod _{i=1}^N\frac{1}{P(w_i|w_{i-1})}}$$

1.3、回退（Back-off）

在回退模型中，计算一个3-gram的概率时，如果这个3-gram在训练数据中存在，则直接使用其概率；如果不存在，则回退到2-gram，然后再回退到1-gram，依此类推。这样，即使某个组合在3-gram中没有观察到，仍然可以通过回退到2-gram等较低阶的模型来估计其概率。

这个感觉还是挺好理解的，一句话来说就是：退而求其次。

公式也挺好理解的： P ( w i ∣ w i − 2 , w i − 1 ) = { P ( w i ∣ w i − 2 , w i − 1 ) C ( w i − 2 , w i − 1 , w i ) > 0 P ( w i ∣ w i − 1 ) C ( w i − 2 , w i − 1 , w i ) = 0     and     C ( w i − 1 , w i ) > 0 P(w_i|w_{i-2},w_{i-1}) =

$$\begin{cases} P(w_i|w_{i-2},w_{i-1}) & C(w_{i-2},w_{i-1},w_i)>0 \\ P(w_i|w_{i-1}) & C(w_{i-2},w_{i-1},w_i)=0 \space\space\space\space \text{and} \space\space\space\space C(w_{i-1},w_i)>0 \end{cases}$$ P(wi​∣wi−2​,wi−1​)={P(wi​∣wi−2​,wi−1​)P(wi​∣wi−1​)​C(wi−2​,wi−1​,wi​)>0C(wi−2​,wi−1​,wi​)=0    and    C(wi−1​,wi​)>0​

1.4、插值（Interpolation）

在计算 n-gram 的概率的时候，也考虑 n-1-gram，甚至是 n-2-gram 的概率：
$$P(w_i|w_{i-2},w_{i-1})={\lambda }_{1}P(w_i|w_{i-2},w_{i-1})+{\lambda }_{2}P(w_i|w_{i-1})+{\lambda }_{3}P(w_i)$$

第 2 节 · 感知器（Perceptron）

感知器一般用于处理二分类问题： y = { 1 ,  if  w x + b > 0 0 , othrewise y =

$$\begin{cases} 1, & \text{ if } wx + b > 0 \\ 0, & \text{othrewise} \end{cases}$$ y={1,0,​ if wx+b>0othrewise​其中 $w$ 是权重， $b$ 是偏置项。

2.1、线性回归（Linear Regression）

上面的公式中 $wx+b$ 的计算结果是需要映射到 0,1 两个结果中，是离散值，解决的是分类问题。但是如果我们直接将 $wx+b$ 的计算结果拿过来使用，而不进行映射的话，结果将会是一个连续值，问题也会变成线性回归问题。

原本中有一个使用 pytorch 库中 nn.Linear 进行代码实操的代码片段，这里就不多说了。

2.2、逻辑回归（Logistic Regression）

如果说线性回归的结果是没有限制范围的，那么逻辑回归就会将计算结果限制在一个特定范围之内。

在线性回归的公式为：$y=wx+b$

那么在逻辑回归中：$y=\sigma (wx+b)$

激活函数会将线性回归 $wx+b$ 的计算结果，再限制在一个确定的范围了。

上面这张图展示了逻辑回归的流程，已经有点神经网络的神经元的雏形了。

2.3、Sigmoid 回归

sigmoid 函数是我们在神经网络中常见到的激活函数，简单来说，当逻辑回归中的 $\sigma (z)$ 是 sigmoid 函数的时候，这个逻辑回归也叫做 sigmoid 回归。
$$y=\text{Sigmoid}(wx+b)=\frac{1}{1+e^{-(wx+b)}}$$ 其中 $\text{Sigmoid}(z)=\frac{1}{1+e^{-z}}$，这个 sigmoid 函数会将结果值限制在 $[0,1]$ 之间。

一般是用在二分类问题中预测概率。

2.4、Softmax 回归

上面说到 sigmoid 回归主要是针对二分类的问题，现在要介绍的 softmax 回归主要就是针对多分类的问题。

如上图所示，一个输入 $x$，如果要进行 softmax 回归，进行类别为 $K$ 的 多元分类。首先和 sigmoid 一样，需要经过各自类别的权重 $w_K$ 和偏置 $b_K$ 处理之后，得到每个类别的原始得分 $z_K$。然后一起送入到 softmax 函数内计算对应类别的概率。

这个公式就是计算输入在类别 $i$ 的概率：
$$y_i=\sigma (\mathbf{z}{)}_i=\frac{e^{z_i}}{{\sum }_{j=1}^K{e}^{z_j}}=\frac{e^{z_i}}{e^{z_1}+e^{z_2}+\cdots +e^{z_K}}$$其中有 $z_K=w_{K}x+b_K$。

一般来说，输入 $x$ 其实也是一个维度为 $K$ 的向量，如果不足的可以进行补零，超出的话就进行保留最主要的 $K$ 个特征。这里我假设这个输入向量 $\mathbf{x}$ 的所有维度的值都是 $x$。

2.6、多层感知器（Multi-Layer Perceptron）

MLP 是一种全连接的前馈神经网络，每一层的每个神经元都与上一层的所有神经元相连，有点全连接层的意思。

而且，MLP 中的激活函数必须得是非线性激活函数，如果是线性，不管是多少层，其实都只是一个简单的线性模型，只能解决简单的线性问题，没有非线性的学习能力。

因为全连接的关系，所以一个比较大的缺点就是：计算量非常大。

MLP 主要有输入层，隐藏层和输出层三个部分组成。

其中最重要的是隐藏层，加权求和，还有激活函数的操作都是在隐藏层进行的。

为了加深对 MLP 的理解，我自己画了一下 MLP 的一个简单的网络结构图。输入层和输出层没有像大多数图那样画成节点的形式，也将权重偏置显式地标注了出来。

图中的 $w_{0,00}$ 的下标逗号之前的 $0$ 表示这个参数属于第 $0$ 层隐藏层的。下标逗号后面的 $00$ 表示这是输入参数 $x_0$ 与隐藏单元 $h_{0,0}$ 之间的参数。

如果将这个网络结构用向量公式表现出来就是下面的式子： A 0 = f ( W 0 ⋅ X + b 0 ) Y = f ( W 1 ⋅ A 0 + b 1 )

$$\begin{matrix} \mathbf{A_0} = f(\mathbf{ W_0 \cdot X + b_0})\\ \mathbf{Y} = f(\mathbf{W_1 \cdot A_0 + b_1} ) \end{matrix}$$ A0​=f(W0​⋅X+b0​)Y=f(W1​⋅A0​+b1​)​其中 $${\mathbf{W}}_0=\left[\begin{array}{cc}{w}_{0,00}& w_{0,10}\\ w_{0,01}& w_{0,11}\\ w_{0,02}& w_{0,12}\end{array}\right],\mathbf{X}=\left[\begin{array}{c}{x}_0\\ x_1\end{array}\right],{\mathbf{b}}_0=\left[\begin{array}{c}{b}_{0,00}+b_{0,10}\\ b_{0,01}+b_{0,11}\\ b_{0,02}+b_{0,12}\end{array}\right]$$可以得到：$$\begin{array}{rl}{\mathbf{W}}_0\cdot \mathbf{X}+{\mathbf{b}}_0& =\left[\begin{array}{cc}{w}_{0,00}& w_{0,10}\\ w_{0,01}& w_{0,11}\\ w_{0,02}& w_{0,12}\end{array}\right]\cdot \left[\begin{array}{c}{x}_0\\ x_1\end{array}\right]+\left[\begin{array}{c}{b}_{0,0}\\ b_{0,1}\\ b_{0,2}\end{array}\right]\\ & =(w_{0,00}\cdot x_0+w_{0,10}\cdot x_1+b_{0,0})\\ & +(w_{0,01}\cdot x_0+w_{0,11}\cdot x_1+b_{0,1})\\ & +(w_{0,02}\cdot x_0+w_{0,12}\cdot x_1+b_{0,2})\end{array}$$ 因为偏置项 $b$ 是常数，所以这里我将两个常数直接合并了。

最后得出来的结果也是我们非常熟悉的形式。然后和之前的逻辑回归类似，将这个加权求和得到的结果，送到激活函数中，进行非线性的变换，得到我们所需的下一个隐藏层的输入项 ${\mathbf{A}}_0$。

合并偏置常数项之后，我们的 MLP 结构图也可以画成上图的形式。

第二隐藏层的具体式子在这里就不列出来了。

2.7、简述如何训练一个模型：正向传播与反向传播

这个原文中也没做过多的展开，我这里也留着

第 3 节 · 卷积神经网络（CNN）

MLP 里每一层的每个元素，都要乘以一个独立参数的权重 W，再加上一个偏置 b，这样的神经网络层常被我们叫做「全连接层（Fully Connected Layer）或稠密层（Dence Layer）。但是这样有个显著问题：如果输入内容的局部重要信息只是发生轻微移动并没有丢失，在全连接层处理后，整个输出结果都会发生很大变化 —— 这不合理

即全连接层可能在处理输入时过于强调整体特征，而不足够关注输入中的局部结构信息。

所以为了让全连接层也能关注局部信息，是否可以设置一个滑动窗口来对局部输入进行处理。这就会 n-gram 设置 N 值的大小思路一样。这就引出了我们熟悉的 CNN 卷积神经网络，使用卷积核在原图上的滑动来提取图像的局部特征。

1. CNN 与 MLP 有什么区别？
2. CNN 的共享权重是什么意思？
3. CNN 的局部连接是什么意思？

上面我画的示意图中，MLP 的输入数据是一维的，所以所有输入 MLP 进行全连接处理的数据都得先展平成一维的数据，而 CNN 的输入数据则是二维的，也就是可以。

其实某种意义上，可以将 MLP 理解成一个 $1\times 1$ 的卷积，但是和真正的 $1\times 1$ 卷积又有一些微秒的区别，在 CNN 中我们也常使用 $1\times 1$ 卷积来实现全连接结构，但是 $1\times 1$ 卷积的输入可以是二维的数据，而 MLP 还是只能输入一维的数据。

让我们修改一下上面的图，将输入数据变成我们熟悉的二维图像数据。

第 4 节 · 循环神经网络（RNN）

4.1、经典结构的 RNN（N vs N RNN）

也就是输入和输出的维度是一样的。

N vs.1 的 RNN

1 vs. N 的 RNN

4.4、LSTM（Long Short-Term Memory）长短时记忆网络

LSTM 因为在图像处理中基本用不上，所以我比较陌生。是一种特殊的 RNN 网络。

我们通过 RNN 的结构就可以看出来，后向传播的时候，连续的乘法结构很容易造成梯度消失或者梯度爆炸的问题。在 CNN 的时候，我们会通过 dropout 对某些神经元进行舍弃，来进行正则化，缓解梯度消失和爆炸的问题。而 LSTM 中呢，我们也会设计一个模块对过往的信息进行舍弃，来缓解 RNN 中出现的梯度消失或者爆炸问题。

LSTM将长短期记忆文本管理问题分为两个子问题：

1. 从上下文中删除不再需要的信息（舍弃部分过往信息）
2. 添加可能在后续决策中需要的信息（添加当前输入信息）

LSTM 引入了 “门（gate）” 的概念来控制信息的流向，可以分成 3 个门：

• 遗忘门（forget gate）：用于去除上文中所不需要的信息。
• 输入门（input gate）：将当前的信息输入到上下文中。
• 输出门（output gate）：输出当前的上下文信息。

其实 LSTM 的结构和公式都不难理解，但是我希望在这里一步步从 RNN 推导到 LSTM，就有很多细节不清楚了，这里暂时也不过多的纠结了。

4.5、双向 RNN 和双向 LSTM

在经典的循环神经网络中，状态的传输是从前往后单向的。然而，在有些问题中，当前时刻的输出不仅和之前的状态有关系，也和之后的状态相关。这时就需要双向RNN（BiRNN）来解决这类问题。例如预测一个语句中缺失的单词不仅需要根据前文来判断，也需要根据后面的内容，这时双向RNN就可以发挥它的作用。

原文中给了一张简单的 bi-RNN 示意图，但是我感觉有点容易误解的地方。它只是对前向和反向的隐藏层权重 $W$ 和 $W^{\prime }$ 进行了区分，但是没有区分 $V$ 和 $V^{\prime }$ ，$U$ 和 $U^{\prime }$ 的权重。

一般计算的步骤是从前向后算一次，然后再从后向前计算一次。

原文虽然小标题中提到了双向 LSTM，但是实际没有具体的提到双向 LSTM 的，所以我这里也暂时略过。

4.6、堆叠循环神经网络（Stacked RNN）、堆叠长短时记忆网络（Stacked LSTM）

就是一层的输出作为下一层的输入，多层堆叠

4.7、N vs. M 的 RNN （Encoder-Decoder）

上图是一个抽象化的 Encoder-Decoder 模型示意图，相当于一个 N vs 1 和一个 1 vs M 的 RNN 网络的串联。一般我们也称之为 Seq2Seq 模型。

Encoder-Decoder 的结构有多种，但是大体的原理都是一样的。

仅管 Encoder-Decoder 模型可以实现序列到序列的任务，对于语音识别，翻译任务，问答任务的效果很不错，但是也存在一些问题：

• 长序列信息丢失问题：Encoder 将输入编码为固定大小的向量的过程实际上是一个“信息有损的压缩过程”，如果信息量越大，那么这个转化向量的过程对信息的损失就越大。
• 梯度消失或者爆炸：因为传统 Encoder-Decoder 是采用 RNN 作为编码器和解码器的，所以自然，RNN 存在的梯度消失和梯度爆炸问题也是不可避免的。
• 并行效果差：因为每一时刻都依赖于前一时刻的输出。

第 5 节 · 为什么说 RNN 模型没有体现「注意力」？

其实从 4.7 就可以看出来，传统的 Encoder-Decoder 对于长序列的处理能力是很差的，因为不管序列多长，在经过编码器之后，都会压缩成固定尺寸的上下文向量（context vector），在这个压缩编码的过程中，很多长序列的信息就会丢失，导致后续解码部分也没办法获得全部的长序列信息。

举个简单的例子，如果长序列信息类似于山洞里的宝库，这时候一个盗贼进入了山洞，他只有一个箱子可用于搬运且只能搬运一次的话，可能是没办法将山洞内的财宝全部取走。想要实现利益最大化的话，自然是聚焦于高价值的宝物，也就是尽可能的用高价值的宝物填满箱子。

这就引出我们久有耳闻的 attention 机制。将注意力放到有价值的信息上面。

在传统的 Encoder-Decoder 模型里引入 attention 模块。

第 6 节 · 基于 Attention 机制的 Encoder-Decoder 模型

从Encoder-Decoder(Seq2Seq)理解Attention的本质 ：这篇文章挺不错的。

从上面的 Encoder-Decoder 示意图，我们可以知道上下文向量（context vector）可以通过下式：$$C=f(x_1,x_2,\dots ,x_n)$$ 计算得到，而想要对于最后的输出结果 $y_i$，我们可以通过：$$y_k=g(C,y_1,y_2,\dots ,y_{k-1})$$但是我们也可以看出来，不管是计算 $y_1$，$y_2$ 还是 $y_3$，我们都是通过 $C$ 来计算的，也就是说 Encoder 中任意单词对于 Decoder 的输出的影响都是一样的，不存在注意力机制的。

如果加入了 attention 模块，我们就可以看出来，对于不同的输出 $y_i$，我们有着不同的 $C_i$，则对应的输出：$$y_k=g(C_k,y_1,y_2,\dots ,y_{k-1})$$

但是问题来了，这个 $C_k$ 是怎么计算出来的？

也就是说，对于不同的 $C_k$，attention 模块会给出不同的注意力向量 ${\mathbf{a}}^{\mathbf{k}}$ 来进行计算，上面的式子中，$n$ 为输入序列的长度，而 $k$ 为输出序列的长度。

$a_{ik}$ 就是 attention 注意力权重，表示第 $i$ 个输入在第 $k$ 个输出上分配的注意力。数值越高表示第 $j$ 个输出受到第 $i$ 个输入的影响越大。

如果将他们看成一个矩阵运算的话，则可以写成下面的形式： [ h 1 h 2 ⋯ h i h 1 h 2 ⋯ h i ⋮ ⋮ ⋱ ⋮ h 1 h 2 ⋯ h i ] ⋅ [ a 1 , 1 a 1 , 2 ⋯ a 1 , k a 2 , 1 a 1 , 2 ⋯ a 2 , k ⋮ ⋮ ⋱ ⋮ a i , 1 a i , 2 ⋯ a i , k ] = [ C 1 , C 2 , ⋯   , C k ]

$$\begin{bmatrix} h_1 & h_2 & \cdots & h_i \\ h_1 & h_2 & \cdots & h_i \\ \vdots & \vdots & \ddots & \vdots \\ h_1 & h_2 & \cdots & h_i \end{bmatrix}$$ \cdot $$\begin{bmatrix} a_{1,1} & a_{1,2} & \cdots & a_{1,k}\\ a_{2,1} & a_{1,2} & \cdots & a_{2,k}\\ \vdots & \vdots & \ddots & \vdots\\ a_{i,1} & a_{i,2} & \cdots & a_{i,k} \end{bmatrix}$$ = [C_1, C_2, \cdots , C_k] ​h1​h1​⋮h1​​h2​h2​⋮h2​​⋯⋯⋱⋯​hi​hi​⋮hi​​ ​⋅ ​a1,1​a2,1​⋮ai,1​​a1,2​a1,2​⋮ai,2​​⋯⋯⋱⋯​a1,k​a2,k​⋮ai,k​​ ​=[C1​,C2​,⋯,Ck​]其中等式左边第一个向量的维度为 $k\times i$，第二个向量 attention 权重矩阵的维度为 $i\times k$，最后获得的上下文权重向量的维度为 $1\times k$。

但是问题又来了，$a_{ik}$ 是怎么计算获得的？
在 attention 模块中，注意力评价值 $e_{ik}$ 是由两部分组成的：

• 第 $i$ 个输入（当前时刻输入）的隐藏层输出 $h_i$
• 第 $k-1$ 个输出（前一时刻输出）的隐藏层输出 $s_{k-1}$

也就是说这个注意力的值其实既和当前输入有关，也和前一时刻的输出相关。

公式可以写成：$$e_{ik}=\alpha (h_i,s_{k-1})$$我们这里的 attention 机制是 soft attention，所以和 softmax 类似，我们要对上面这个注意力评价值进行加权平均：$$a_{ik}=\frac{\exp (e_{ik})}{{\sum }_{i=1}^n\exp (e_{ik})}$$其中：

• ${\sum }_{i=1}^n\exp (e_{ik})$：计算了每个时刻输入和前一时刻的输出的评价值之和
• $\exp (e_{ik})$：表示当前时刻输入和前一时刻输出的评价值

感觉有种当前时刻输入，在总输入中的贡献占比的感觉。

为什么要使用 exp 来计算 attention 权重呢？

最后我们列出计算输出 $y_i$ 的完整流程：

1. 已知所有的输入 $h_i$ 和 $s_{k-1}$，计算 $e_{ik}=\alpha (h_i,s_{k-1})$
2. 已知 $e_{ik}$，计算 $a_{ik}=\exp (e_{ik})/{\sum }_{i=1}^n\exp (e_{ik})$
3. 已知所有的输入 $h_i$ 和 $a_{ik}$， 计算 $C_k={\sum }_{i=1}^n{a}_{ik}{h}_i$
4. 已知 $s_{k-1}$，$y_{k-1}$ 和 $C_k$，计算当前时刻输出的隐藏状态 $s_k=f(s_{k-1},y_{k-1},C_k)$
5. 已知 $s_k$，$y_{k-1}$ 和 $C_k$，计算当前时刻输出 $y_k=g(y_{k-1},s_k,C_k)$
6. 有了 $s_k$ 和 $y_k$，又可以继续下一时刻的循环了

第 7 节 · 自注意力机制（Self-Attention）

下面的章节就正式的进入到 transformer 的邻域了。

参考文章：The Illustrated Transformer
这是我参考文章内的图片自己做的一个示意图。通过这个示意图，我来大概地讲解一下 self attention 的计算流程：

1. 首先一句话中的单词经过 embedding 之后，每个单词都会生成对应的输入向量 ${\mathbf{x}}_{\mathbf{i}}$。
2. 然后 $\mathbf{X}$ 通过和对应权重 ${\mathbf{W}}^{\mathbf{Q}}$，${\mathbf{W}}^{\mathbf{K}}$ 和 ${\mathbf{W}}^{\mathbf{V}}$ 进行矩阵乘法，获得 $\mathbf{Q}$，$\mathbf{K}$ 和 $\mathbf{V}$。
3. 通过计算 $\mathbf{A}=\text{Softmax}(\mathbf{Q}\cdot {\mathbf{K}}^{\mathbf{T}}/\sqrt{{\mathbf{d}}_{\mathbf{k}}})$ 来获得自注意力权重矩阵。
4. 最后将自注意力权重矩阵 $\mathbf{A}$ 与 value 矩阵 $\mathbf{V}$ 进行矩阵乘法，就可以获得 $\mathbf{Z}$。

为什么要除以 $\sqrt{d_k}$ ？
$d_k$ 表示的是 key 矩阵的中 $k_i$ 的维度，除以 $\sqrt{d_k}$ 是为了：

1. 防止 $\mathbf{Q}\cdot {\mathbf{K}}^{\mathbf{T}}$ 的值过大，导致 softmax 计算的时候出现上溢出（overflow）。
2. 使得 $\mathbf{Q}\cdot {\mathbf{K}}^{\mathbf{T}}$ 的结果满足期望为 0，方差为 1 的分布。

为什么要计算 $\mathbf{Q}\cdot {\mathbf{K}}^{\mathbf{T}}$ ？
计算 $\mathbf{Q}\cdot {\mathbf{K}}^{\mathbf{T}}$ 时，从几何的角度来说，相当于对内部的向量 $\mathbf{q}$ 和 $\mathbf{k}$ 进行点积操作，来计算两个向量的相似度。
$\mathbf{q}\cdot \mathbf{k}=\Vert \mathbf{q}\Vert \Vert \mathbf{k}\Vert \cdot \cos \theta$

• 当两个向量垂直的时候，$\theta =90^{\circ }$，就是点积为 0，表示这两个向量没有相似的地方。
• 当两个向量平行的时候，两个向量的点积即为 $\Vert \mathbf{q}\Vert \Vert \mathbf{k}\Vert$
• 当两个向量存在夹角 $\theta$，两个向量的点积就如上面公式一样。点积就是 $\mathbf{q}$ 在 $\mathbf{k}$ 上投影的模。

这里 self attention 的 $\mathbf{Z}$ 和 soft attention 中的 $\mathbf{C}$ 是等效的。

第 8 节 · 多头注意力（Multi-Head attention）

多头注意力，其实相当于多次求 self attention，上面的 self attention 的产物是一个 $\mathbf{Z}$ 矩阵，在多头注意力里，我们通过多组的 ${\mathbf{W}}^{\mathbf{Q}}$，${\mathbf{W}}^{\mathbf{K}}$ 和 ${\mathbf{W}}^{\mathbf{V}}$，来获得多组的 $\mathbf{Z}$。

我们将上面 self attention 中计算 $\mathbf{Z}$ 的过程简化一下，直接得到对应的 ${\mathbf{Z}}_0,{\mathbf{Z}}_1,\cdots ,{\mathbf{Z}}_{\mathbf{n}}$。然后将其组合起来，与一个新设置的权重矩阵 ${\mathbf{W}}^{\mathbf{o}}$ 相乘，获得最终的 $\mathbf{Z}$。

多头注意力中的每个头都能关注不同的信息。

第 9 节 · 退化现象、残差网络与 Short-Cut

ResNet 残差网络在 CV 中也经常用到，所及就不详细解说了。

第 10 节 · Transformer 的位置编码（Positional Embedding）

在计算 attention 的时候，我们只是关注词与词之间的相似关系，但是却忽略了位置关系。

在 Transformer 中，为了解决这个问题，新增了位置编码（Positional Encoding）。

大致的流程如上图所示，就是在 embedding 和计算 $\mathbf{Q}$， $\mathbf{K}$ 和 $\mathbf{V}$ 之间加入一个位置编码的流程，来将每个词或者说 token 的位置信息加入到输入向量 $\mathbf{x}$ 中。

矩阵 $\mathbf{PE}$ 中的向量 $\mathbf{pe}$ 内的元素具体是怎么计算的呢？ p e t , i = { sin ⁡ ( 1 1000 0 2 i d x ⋅ t )  if  i = 2 k cos ⁡ ( 1 1000 0 2 i d x ⋅ t )  if  i = 2 k + 1         for   k = 0 , 1 , 2 , ⋯   , d x 2 − 1 pe_{t,i} =

$$\begin{cases} \sin(\frac{1}{10000^{\frac{2i}{d_x} }} \cdot t) & \text{ if } i = 2k \\ \cos(\frac{1}{10000^{\frac{2i}{d_x} }} \cdot t) & \text{ if } i= 2k + 1 \end{cases}$$ \space \space \space \space \space \space \space \space \text{for} \space \space k = 0, 1, 2, \cdots, \frac{d_x}{2}-1 pet,i​=⎩ ⎨ ⎧​sin(10000dx​2i​1​⋅t)cos(10000dx​2i​1​⋅t)​ if i=2k if i=2k+1​        for  k=0,1,2,⋯,2dx​​−1其中：

• $d_x$ 是向量 $\mathbf{x}$ 的维度。
• $k$ 是 $0$ 到 $d_x/2-1$ 的整数

如果 $i$ 是偶数的话，就是计算 $\sin$，如果 $i$ 是奇数的话就是计算 $\cos$。一个完整的 $\mathbf{pe}$ 向量可以写成下面形式：$${\mathbf{pe}}_t=[p{e}_{t,0},p{e}_{t,1},\cdots ,p{e}_{t,d_x}]$$而一个完整的位置编码矩阵可以写成下面形式： P E = [ p e 0 p e 1 ⋮ p e t ] = [ p e 0 , 0 p e 0 , 1 ⋯ p e 0 , d x p e 1 , 0 p e 1 , 1 ⋯ p e 1 , d x ⋮ ⋮ ⋱ ⋮ p e t , 0 p e t , 1 ⋯ p e t , d x ] \mathbf{PE}=

$$\begin{bmatrix} \mathbf{pe}_0 \\ \mathbf{pe}_1 \\ \vdots \\ \mathbf{pe}_t \end{bmatrix}$$ = $$\begin{bmatrix} pe_{0,0} & pe_{0,1} & \cdots & pe_{0,d_x}\\ pe_{1,0} & pe_{1,1} & \cdots & pe_{1,d_x}\\ \vdots & \vdots & \ddots & \vdots\\ pe_{t,0} & pe_{t,1} & \cdots & pe_{t,d_x} \end{bmatrix}$$ PE= ​pe0​pe1​⋮pet​​ ​= ​pe0,0​pe1,0​⋮pet,0​​pe0,1​pe1,1​⋮pet,1​​⋯⋯⋱⋯​pe0,dx​​pe1,dx​​⋮pet,dx​​​ ​

上面介绍的这种，是绝对编码中的三角式位置编码（Sinusoidal Positional Encoding），除此之外还有相对位置编码。

10.2、绝对位置编码

除了上面提到的三角式位置编码，还有下面几种绝对位置编码：

• 习得式位置编码：将位置编码矩阵作为可学习的超参数来进行训练，缺点是外推性比较差，推理时输入文本超出训练的最大长度，则无法处理。
• 循环式位置编码：将向量 $\mathbf{x}$ 一个一个送入 RNN 中，RNN 中的模块是 Transformer，因为 RNN 暗含位置信息，所以就不需要进行额外的编码了，但是缺点就是 RNN 的并行性比较差。
• 相乘式位置编码：使用哈达玛德积（Hadamard product），也就是逐元素相乘来替代相加，也就是 $x_{\odot }pe$ 代替 $x+pe$ 。

10.3、相对位置编码与其他位置编码

感觉暂时也不需要详细展开了，后续有时间的话再写吧。

第 11 节 · Transformer 的编码器 Encoder 和解码器 Decoder

11.1、Encoder 和 Decoder 的图示结构

沿用之前的参数符号，上图是 Transformer 的 Encoder 示意图，可以看出来：

• 输入是经过位置编码的 ${\mathbf{X}}_{pe}$
• 经过第一个多头注意力模块（其中 $\text{MHA}$ 是 Multi-Head Attention 的缩写）之后，输出的 $\mathbf{Z}$
• 然后经过 Add & Norm 层，将 ${\mathbf{X}}_{pe}$ 与 $\mathbf{Z}$ 相加之后进行层归一化（LayerNorm），输出 ${\mathbf{X}}_{\text{out}1}$
• 然后输入 Feed Forward 层，这是由两个全连接层组成的，第一个全连接层的激活函数是 ReLU，第二个全连接层没有激活函数。得到我们的 $\mathbf{F}$
• 最后再经过一次 Add & Norm 层，进行层归一化操作，得到 Encoder 的最终输出 ${\mathbf{X}}_{\text{out}2}$

其中可以看到 Encoder 中存在两条 short-cut。

第一个 masked multi-head attention

接下来看看 Decoder 的结构，除了一个新的 masked multi-head attention 模块，其他模块都和 Encoder 的类似，所以具体的计算公式就不标注出来了。

我们说一下 masked multi-head attention 模块，这个 masked 的对象是什么，具体有什么用？

我们这里以单个注意力模块，也就是 self attention 来举例子，其实 masked 的操作主要是加在注意力权值矩阵进行 softmax 操作之前。

这是我从 self attention 示意图中抽取的注意力权值矩阵计算部分，左边是普通的计算注意力权值矩阵，在求解 ${\mathbf{A}}^{\prime }$ 之后，直接对其进行 softmax 操作就行了。

而右边则是包含 mask 操作的，在进行 softmax 操作之前，先进行一个 mask 操作，防止后续标签进行对前面的预测进行影响，因为我们知道 Transformer 中 Decoder 也会输入一次输入序列，但是和 Encoder 部分不同的是，会对输入数列进行一个右移（shifted right）的操作。类似 Encoder 如果输入 [i am a student]，那么 Decoder 部分，则会输入 [ I am a student]，多了一个起始符，这个起始符就是用于预测 “I” 的。

第二个 multi-head attention

这个注意力模块也可以叫做 cross attention 模块，或者是 encoder-decoder attention 模块

第二个多头注意力模块，其实我们注意到，有两条线是来自于 Encoder，我们知道在计算 self attention 的时候，首先我们要计算 $\mathbf{Q}$，$\mathbf{K}$ 和 $\mathbf{V}$ 三个矩阵，一般来说，这三个矩阵都是一个输入和对应的权重矩阵计算获得的。

但是在 Decoder 的第二个多头注意力模块中，其中 $\mathbf{K}$ 和 $\mathbf{V}$ 是由 Encoder 的输出 ${\mathbf{X}}_{\text{out}2}$ 计算获得的，而 $\mathbf{Q}$ 是由 Decoder 的第一个 masked multi-head attention 模块的输出计算获得的。

11.2、Decoder 的第一个输出结果

我理解为 Transformer 是由很多个 Decoder block 组成的，但是第一个 Decoder block 和后续的 Decoder block 有一点细微的差别

假设 Transformer 一共有 $N$ 个 Decoder block，第一个 Decoder block 是不含 masked multi-head attention 模块的。后续的 $N-1$ 个 Decoder block 才是我们上面分析的正常的 Decoder block，这是为什么？

为什么 transformer的第一个 decoder blcok 不需要经过 masked multi-head attention 模块？

在 Transformer 模型中，第一个 Decoder block 的出结果是基于 Encoder 的输出和 Decoder 的初始输入（通常是起始符号，如）生成的。这个过程不需要经过 Masked Multi-Head Attention Layer，因为即便是经过了多头注意力模块，

11.3、Decoder 后续的所有输出

没看懂

11.4、Decoder 之后的 Linear 和 Softmax

这个部分其实和 cv 中的分类最后是一样的，只是 transformer 中的类别是词汇表。

第 12 节 · Transformer 模型整体

• 首先输入数据生成词的嵌入式向量表示（Embedding），生成位置编码（Positional Encoding，简称 PE）。进入
• Encoders 部分。先进入多头注意力层（Multi-Head Attention），是自注意力处理，然后进入全连接层（又叫前馈神经网络层），每层都有 ResNet、Add & Norm。
• 每一个Encoder 的输入，都来自前一个 Encoder 的输出，但是第一个 Encoder 的输入就是 Embedding + PE。
• 进入 Decoders 部分。先进入第一个多头注意力层（是 Masked 自注意力层），再进入第二个多头注意力层（是 Encoder-Decoder 注意力层），每层都有 ResNet、Add & Norm。
• 每一个 Decoder 都有两部分输入。
• Decoder 的第一层（Maksed 多头自注意力层）的输入，都来自前一个 Decoder 的输出，但是第一个 Decoder 是不经过第一层的（因为经过算出来也是 0）
• Decoder 的第二层（Encoder-Decoder 注意力层）的输入，Q 都来自该 Decoder 的第一层，且每个 Decoder 的这一层的 K、V 都是一样的，均来自最后一个 Encoder。* 最后经过 Linear、Softmax 归一化。

后面的部分基本都是实际训练部分了。

参考文章：举个例子讲下transformer的输入输出细节及其他

但是感觉 transformer decoder 的输入输出维度还是不是很清晰

• 输入输出的维度是多少？
• 上一个 decoder 的输出是怎么整合到下一个 decoder 的输入的
• 训练的时候输入的是 ground truth，但是推理的时候 decoder 的输入维度是多少？
• transformer 的并行训练体现在哪里？