十二、Transformer

参考Transformer详解 和 Transforner模型详解

1 Transformer 整体结构

Transformer 由 Encoder 和 Decoder 两个部分组成，Encoder 和 Decoder 都包含 6 个 block。

2 Transformer 局部结构 

2.1 输入层

Transformer 中的输入层是由单词的 Word Embedding 和 Positional Embedding 相加得到。

以"I Really Love You" 翻译成中文 "我真地爱你" 为例：参考Transformer代码讲解

​

• Word Embedding 表示将输入的单词 "I", "Really", "Love", "You" ，每一个都用 One-Hot 独热编码、Word2Vec 或 GloVe 等形式的词向量表示，一个句子就可以用一个矩阵来表示。
• Positional Embedding  表示保存输入的单词"I", "Really",  "Love", "You" 出现在序列中的相对或绝对位置（一句话中词语出现位置不同，意思可能发生翻天覆地的变化）。
• 编码层 Encoder 的输入则需要将每个单词的 Word Embedding 与位置编码 Positional Encoding 相加得到
• Output Embedding 与输入 Input Embedding 的处理方法步骤一样，输入 Input Embedding 接收的是 source 数据，输出 Output Embedding 接收的是 target 数据（例如：输入 Input Embedding 接收 "I Love You" 分词后的词向量 Word Embedding；输出 Output Embedding 接收 “我爱你” 分词后的词向量 Word Embedding）
• 注意：只是在有 target 数据时也就是在进行有监督训练时才会接收 Outputs  Embedding，进行预测时则不会接收。

Q1：Positional Encoding 如何获取？

通过数据训练学习得到 Positional Encoding ，类似于训练学习词向量。

Q2：有监督训练和无监督训练是什么，二者有什么区别？参考有监督学习与无监督学习的区别

• 有监督学习 Supervised Learning 方法必须要有训练集与测试样本。在训练集中找规律，而对测试样本使用这种规律。（即通过已有的训练样本（即已知数据及其对应的输出）去训练得到一个最优模型（这个模型属于某个函数的集合，最优表示某个评价准则下是最佳的），再利用这个模型将所有的输入映射为相应的输出，对输出进行简单的判断从而实现分类的目的，也就具有了对未知数据分类的能力。）而非监督学习 Unsupervised Learning 没有训练集，只有一组数据，在该组数据集内寻找规律。（即由输入数据（由输入的特征值组成，没有被标记，也没有确定的结果）学到或建立一个模型，并依此模式推测新的结果）。
• 有监督学习的方法就是识别事物，识别的结果表现在给待识别数据加上了标签。因此训练样本集必须由带标签的样本组成。而非监督学习方法在寻找数据集中的规律性，只有要分析的数据集的本身，预先没有什么标签。如果发现数据集呈现某种聚集性，则可按自然的聚集性分类，但不予以某种预先分类标签对上号为目的。

2.2 编码层

输入层最终得到的字向量 a(i) 作为多头自注意力机制（Self Attention Mechanism）的输入。

编码层由 6 层编码器首位相连堆叠而成，解码器也是六层解码器堆成的（每层的编码器和解码器自身结构是完全相同的，但是并不共享参数）。第一层编码器的输入为句子单词的表示向量矩阵，后续编码器的输入是前一个编码层的输出，最后一个编码器输出的矩阵就是编码信息矩阵 C，这一矩阵后续会用到解码层中。

一个编码器和解码器的内部结构由 Multi-Head Attention、Add & Norm 和全连接神经网络 Feed Forward Network 构成。

​

2.2.1 多头自注意力（Multi-head Self-Attention）

多头自注意力理论过程：参考注意力机制

​

多头注意力计算过程：

参考Transformer模型详解 3.2 Q, K, V的计算和 3.3 Self-Attention输出和 3.4 Multi-Head Attention

2.2.2 残差连接和层归一化函数（Add & Norm）

Q1：Add 是什么？

Add 指的是将不同层的输出相加（残差连接（Residual Connection）），指的是在 Z 的基础上加了一个残差块 X，加入残差块 X 的目的是为了防止在深度神经网络训练中发生退化问题（退化：深度神经网络通过增加网络的层数，Loss 逐渐减小，然后趋于稳定达到饱和，接着再继续增加网络层数，Loss 反而增大）。

Q2：残差块 X 是什么，又是如何解决退化问题的？参考残差神经网络的介绍

为了解决深层网络中的退化问题（随着网络层数的增加，在训练集上的准确率趋于饱和甚至下降了。这个不能解释为 overfitting（过拟合）问题，因为 overfitting 应该表现为在训练集上表现更好才对），可以人为地让神经网络某些层跳过下一层神经元的连接，隔层相连，弱化每层之间的强联系。这种神经网络被称为残差网络（ResNet）。

“残差块”（residual block）是残差网络的的核心思想，发现了“退化（Degradation）现象”，并针对退化现象发明了 “快捷连接（Shortcut Connection）”，使网络能够保证训练出来的参数能够很精确的完成 f(x) = x 恒等映射（identity mapping），极大的消除了深度过大的神经网络训练困难问题。

​

Q3：Norm 是什么？

Norm 主要有 BatchNorm(BN) 和 LayerNorm (LN) 两种归一化函数：参考层归一化

• BatchNorm 是对一个 batch 下的不同样本之间的同一位置的特征（神经元）之间看成一组进行归一化），对小 batchsize 效果不好。
• LayerNorm 是对一个 batch 下的同一个样本的不同特征（不同神经元）之间进行归一化（针对所有样本）。

在 Transfomer 架构中，Norm 指的是层归一化（Layer Normalization, LN），通过对层的激活值的归一化，可以加速模型的训练过程，使其更快的收敛，提高训练的稳定性。

Q4：Norm 为什么用 LayerNorm (LN) 不用 BatchNorm(BN) ？

针对 BatchNorm(BN) 和 LayerNorm (LN) 两种归一化函数，这里的三个维度表示的信息不同：

​

•  一般来说，如果你的特征依赖于不同样本间的统计参数，那 BN 更有效。因为它抹杀了不同特征之间的大小关系，但是保留了不同样本间的大小关系。
• LN 适合抹杀了不同样本间的大小关系，但是保留了一个样本内不同特征之间的大小关系。（对于NLP或者序列任务来说，一条样本的不同特征，其实就是时序上的变化，这正是需要学习的东西自然不能做归一化抹杀。）参考Transformer为什么要用LayerNorm
• BN 是对于相同的维度进行归一化，但是 NLP 领域中输入的都是词向量，单独去分析它的每一维是没有意义的，在每一维上进行归一化更加适合，因此这里选用的是LN。

2.2.3 全连接前馈神经网络（Feed Forward Network）

Feed Forward Network 是将每一个神经元都与其他神经元相连接（每两个神经元之间的连接都有不同的连接权重值（connection strength），并且它们在训练过程中都是自动学习调整自身的参数（learned parameters）），每个神经元都掌握着 input 信息（补充一些对 input 有用的东西），并进行处理后将其传递下去。参考轻松理解 Transformers

全连接前馈神经网络由两个线性层（linear layers）和一个激活函数（Activation Function）组成。

激活函数（Activation Function）能够帮助我们进行非线性变换（non-linear transformation），处理非线性关系（nonlinear relationship）。（例如常见的 Softmax 激活函数可以将整数转换为0到1之间的浮点数，转换后的浮点数仍然保持了原始整数之间的相对大小关系；Tanh（双曲正切）激活函数可以将元素调整到区间（-1, 1）内；ReLU（修正线性单元）能够将任何负数转化为0，而非负数保持不变）

正则化（Regularization）是让算法仅学习不记忆的一系列技术的总称。在正则化技术中最常用的技术就是 dropout。

Dropout 是将“连接权重（connection strength）”设置为0，这意味着该连接不会产生任何影响（在每一层中使用 dropout 技术时，会随机选择一定数量的神经元（由开发者配置），并将它们与其他神经元的连接权重设为0）

在 Transformer 的架构图中，全连接前馈神经网络工作过程： 

• 对输入序列的每个位置的特征向量进行逐位置的线性计算，将其映射到一个更高维的空间；
• 对线性运算的输出应用 ReLU 函数；
• 对上一步骤 ReLU 运算的输出进行再一次线性运算，将其映射回原始的特征维度。

2.3 解码层

2.3.1  第一个多头自注意力

第一个 Multi-Head Attention 采用了 Masked 操作，因为在翻译的过程中是顺序翻译的，即翻译完第 i 个单词，才可以翻译第 i+1 个单词。通过 Masked 操作可以防止第 i 个单词知道 i+1 个单词之后的信息。

Decoder 可以在训练的过程中使用 Teacher Forcing 训练，加快模型训练时间。

Teacher Forcing：是指在训练过程中每次不使用上一个 state 的输出 h(t) 作为当前 state 的输入，而是直接使用训练数据上一个标准答案 ground truth 的输出 y(t) 作为当前 state 的输入。Teacher Forcing训练机制及其缺点和解决方法

2.3.2  第二个多头注意力

第二个 Multi-Head Attention 与第一个 Multi-Head Attention 主要的区别在于其中没有采用掩码 Masked 操作而且Self-Attention 的 K, V 矩阵不是使用上一个解码层的输出计算的，而是使用编码层的编码信息矩阵 C 计算的，Q 使用上一层解码器的输出计算。

2.4 输出层

输出层首先经过一次线性变换（它可以把解码器产生的向量投射到一个比它大得多的向量里），然后利用 Softmax 得到输出的概率分布（Softmax 层会把向量变成概率），接着通过词典，输出概率最大的对应的单词作为我们的预测下一个单词的输出。