赞
踩
原文链接：https://www.cnblogs.com/zingp/p/11696111.html#_label10
阅读目录
Transformer中抛弃了传统的CNN和RNN，整个网络结构完全是由Attention机制组成。 作者采用Attention机制的原因是考虑到RNN（或者LSTM，GRU等）的计算是顺序的，RNN相关算法只能从左向右依次计算或者从右向左依次计算，这种机制带来了两个问题：
的计算依赖
时刻的计算结果，这样限制了模型的并行能力；
Transformer的提出解决了上面两个问题：
如上图，transformer模型本质上是一个Encoder-Decoder的结构。输入序列先进行Embedding，经过Encoder之后结合上一次output再输入Decoder，最后用softmax计算序列下一个单词的概率。
transformer的输入是Word Embedding + Position Embedding。
|
1
2
3
4
5
6
7
8
|
class
Embeddings(nn.Module):
def
__init__(
self
, d_model, vocab):
super
(Embeddings,
self
).__init__()
self
.lut
=
nn.Embedding(vocab, d_model)
self
.d_model
=
d_model
#表示embedding的维度
def
forward(
self
, x):
return
self
.lut(x)
*
math.sqrt(
self
.d_model)
|
在RNN中，对句子的处理是一个个word按顺序输入的。但在 Transformer 中，输入句子的所有word是同时处理的，没有考虑词的排序和位置信息。因此，Transformer 的作者提出了加入 “positional encoding” 的方法来解决这个问题。“positional encoding“”使得 Transformer 可以衡量 word 位置有关的信息。
如何实现具有位置信息的encoding呢？作者提供了两种思路：
试验后发现两种选择的结果是相似的，所以采用了第2种方法，优点是不需要训练参数，而且即使在训练集中没有出现过的句子长度上也能用。
指的是这个 word 在这个句子中的位置；
指的是 embedding 词向量的偶数维度，
指的是embedding 词向量的奇数维度。
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
|
# Positional Encoding
class
PositionalEncoding(nn.Module):
"实现PE功能"
def
__init__(
self
, d_model, dropout, max_len
=
5000
):
super
(PositionalEncoding,
self
).__init__()
self
.dropout
=
nn.Dropout(p
=
dropout)
pe
=
torch.zeros(max_len, d_model)
position
=
torch.arange(
0.
, max_len).unsqueeze(
1
)
div_term
=
torch.exp(torch.arange(
0.
, d_model,
2
)
*
-
(math.log(
10000.0
)
/
d_model))
pe[:,
0
::
2
]
=
torch.sin(position
*
div_term)
# 偶数列
pe[:,
1
::
2
]
=
torch.cos(position
*
div_term)
# 奇数列
pe
=
pe.unsqueeze(
0
)
# [1, max_len, d_model]
self
.register_buffer(
'pe'
, pe)
def
forward(
self
, x):
x
=
x
+
Variable(
self
.pe[:, :x.size(
1
)], requires_grad
=
False
)
return
self
.dropout(x)
|
|
1
2
3
4
5
6
|
# 在位置编码下方，将基于位置添加正弦波。对于每个维度，波的频率和偏移都不同。
plt.figure(figsize
=
(
15
,
5
))
pe
=
PositionalEncoding(
20
,
0
)
y
=
pe.forward(Variable(torch.zeros(
1
,
100
,
20
)))
plt.plot(np.arange(
100
), y[
0
, :,
4
:
8
].data.numpy())
plt.legend([
"dim %d"
%
p
for
p
in
[
4
,
5
,
6
,
7
]])
|
输出图像：
可以看到某个序列中不同位置的单词，在某一维度上的位置编码数值不一样，即同一序列的不同单词在单个纬度符合某个正弦或者余弦，可认为他们的具有相对关系。
key(K), x经过第三个线性变换得到value(V)。
用矩阵表示即：
注意：这里的linear_k, linear_q, linear_v是相互独立、权重（
,
, < s t r o n g > W V < / s t r o n g > <strong>W^V</strong> <strong>WV</strong>)是不同的，通过训练可得到。得到query(Q)，key(K)，value(V)之后按照下面的公式计算attention(Q, K, V)：
这里Z就是attention(Q, K, V)。
(1) 这里
。
(2) 为什么要用
对
进行缩放呢？
实际上是Q/K/V的最后一个维度，当
越大，
就越大，可能会将softmax函数推入梯度极小的区域。
(3) softmax之后值都介于0到1之间，可以理解成得到了 attention weights。然后基于这个 attention weights 对 V 求 weighted sum 值 Attention(Q, K, V)。
Multi-Head-Attention 就是将embedding之后的X按维度
切割成
个，分别做self-attention之后再合并在一起。
源码如下：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
|
class
MultiHeadedAttention(nn.Module):
def
__init__(
self
, h, d_model, dropout
=
0.1
):
"Take in model size and number of heads."
super
(MultiHeadedAttention,
self
).__init__()
assert
d_model
%
h
=
=
0
self
.d_k
=
d_model
/
/
h
self
.h
=
h
self
.linears
=
clones(nn.Linear(d_model, d_model),
4
)
self
.attn
=
None
self
.dropout
=
nn.Dropout(p
=
dropout)
def
forward(
self
, query, key, value, mask
=
None
):
"""
实现MultiHeadedAttention。
输入的q，k，v是形状 [batch, L, d_model]。
输出的x 的形状同上。
"""
if
mask
is
not
None
:
# Same mask applied to all h heads.
mask
=
mask.unsqueeze(
1
)
nbatches
=
query.size(
0
)
# 1) 这一步qkv变化:[batch, L, d_model] ->[batch, h, L, d_model/h]
query, key, value
=
\
[l(x).view(nbatches,
-
1
,
self
.h,
self
.d_k).transpose(
1
,
2
)
for
l, x
in
zip
(
self
.linears, (query, key, value))]
# 2) 计算注意力attn 得到attn*v 与attn
# qkv :[batch, h, L, d_model/h] -->x:[b, h, L, d_model/h], attn[b, h, L, L]
x,
self
.attn
=
attention(query, key, value, mask
=
mask, dropout
=
self
.dropout)
# 3) 上一步的结果合并在一起还原成原始输入序列的形状
x
=
x.transpose(
1
,
2
).contiguous().view(nbatches,
-
1
,
self
.h
*
self
.d_k)
# 最后再过一个线性层
return
self
.linears[
-
1
](x)
|
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
|
class
LayerNorm(nn.Module):
"""构造一个layernorm模块"""
def
__init__(
self
, features, eps
=
1e
-
6
):
super
(LayerNorm,
self
).__init__()
self
.a_2
=
nn.Parameter(torch.ones(features))
self
.b_2
=
nn.Parameter(torch.zeros(features))
self
.eps
=
eps
def
forward(
self
, x):
"Norm"
mean
=
x.mean(
-
1
, keepdim
=
True
)
std
=
x.std(
-
1
, keepdim
=
True
)
return
self
.a_2
*
(x
-
mean)
/
(std
+
self
.eps)
+
self
.b_2
class
SublayerConnection(nn.Module):
"""Add+Norm"""
def
__init__(
self
, size, dropout):
super
(SublayerConnection,
self
).__init__()
self
.norm
=
LayerNorm(size)
self
.dropout
=
nn.Dropout(dropout)
def
forward(
self
, x, sublayer):
"add norm"
return
x
+
self
.dropout(sublayer(
self
.norm(x)))
|
注意：几乎每个sub layer之后都会经过一个归一化，然后再加在原来的输入上。这里叫残余连接。
|
1
2
3
4
5
6
7
8
9
10
11
|
# Position-wise Feed-Forward Networks
class
PositionwiseFeedForward(nn.Module):
"实现FFN函数"
def
__init__(
self
, d_model, d_ff, dropout
=
0.1
):
super
(PositionwiseFeedForward,
self
).__init__()
self
.w_1
=
nn.Linear(d_model, d_ff)
self
.w_2
=
nn.Linear(d_ff, d_model)
self
.dropout
=
nn.Dropout(dropout)
def
forward(
self
, x):
return
self
.w_2(
self
.dropout(F.relu(
self
.w_1(x))))
|
总的来说Encoder 是由上述小encoder layer 6个串行叠加组成。encoder sub layer主要包含两个部分：
来看下Encoder主架构的代码：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
|
def
clones(module, N):
"产生N个相同的层"
return
nn.ModuleList([copy.deepcopy(module)
for
_
in
range
(N)])
class
Encoder(nn.Module):
"""N层堆叠的Encoder"""
def
__init__(
self
, layer, N):
super
(Encoder,
self
).__init__()
self
.layers
=
clones(layer, N)
self
.norm
=
LayerNorm(layer.size)
def
forward(
self
, x, mask):
"每层layer依次通过输入序列与mask"
for
layer
in
self
.layers:
x
=
layer(x, mask)
return
self
.norm(x)
|
Decoder的代码主要结构：
|
1
2
3
4
5
6
7
8
9
10
11
12
|
# Decoder部分
class
Decoder(nn.Module):
"""带mask功能的通用Decoder结构"""
def
__init__(
self
, layer, N):
super
(Decoder,
self
).__init__()
self
.layers
=
clones(layer, N)
self
.norm
=
LayerNorm(layer.size)
def
forward(
self
, x, memory, src_mask, tgt_mask):
for
layer
in
self
.layers:
x
=
layer(x, memory, src_mask, tgt_mask)
return
self
.norm(x)
|
Decoder子结构（Sub layer）：
Decoder 也是N=6层堆叠的结构。被分为3个 SubLayer，Encoder与Decoder有三大主要的不同：
（1）Decoder SubLayer-1 使用的是 “Masked” Multi-Headed Attention 机制，防止为了模型看到要预测的数据，防止泄露。
（2）SubLayer-2 是一个 Encoder-Decoder Multi-head Attention。
(3) LinearLayer 和 SoftmaxLayer 作用于 SubLayer-3 的输出后面，来预测对应的 word 的 probabilities 。
|
1
2
3
4
5
6
7
8
9
10
|
tensor([[[
1
,
0
,
0
,
0
,
0
,
0
,
0
,
0
,
0
,
0
],
[
1
,
1
,
0
,
0
,
0
,
0
,
0
,
0
,
0
,
0
],
[
1
,
1
,
1
,
0
,
0
,
0
,
0
,
0
,
0
,
0
],
[
1
,
1
,
1
,
1
,
0
,
0
,
0
,
0
,
0
,
0
],
[
1
,
1
,
1
,
1
,
1
,
0
,
0
,
0
,
0
,
0
],
[
1
,
1
,
1
,
1
,
1
,
1
,
0
,
0
,
0
,
0
],
[
1
,
1
,
1
,
1
,
1
,
1
,
1
,
0
,
0
,
0
],
[
1
,
1
,
1
,
1
,
1
,
1
,
1
,
1
,
0
,
0
],
[
1
,
1
,
1
,
1
,
1
,
1
,
1
,
1
,
1
,
0
],
[
1
,
1
,
1
,
1
,
1
,
1
,
1
,
1
,
1
,
1
]]], dtype
=
torch.uint8)
|
|
1
2
3
4
5
6
7
8
|
def
subsequent_mask(size):
"""
mask后续的位置，返回[size, size]尺寸下三角Tensor
对角线及其左下角全是1，右上角全是0
"""
attn_shape
=
(
1
, size, size)
subsequent_mask
=
np.triu(np.ones(attn_shape), k
=
1
).astype(
'uint8'
)
return
torch.from_numpy(subsequent_mask)
=
=
0
|
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
|
class
DecoderLayer(nn.Module):
"Decoder is made of self-attn, src-attn, and feed forward (defined below)"
def
__init__(
self
, size, self_attn, src_attn, feed_forward, dropout):
super
(DecoderLayer,
self
).__init__()
self
.size
=
size
self
.self_attn
=
self_attn
self
.src_attn
=
src_attn
self
.feed_forward
=
feed_forward
self
.sublayer
=
clones(SublayerConnection(size, dropout),
3
)
def
forward(
self
, x, memory, src_mask, tgt_mask):
"将decoder的三个Sublayer串联起来"
m
=
memory
x
=
self
.sublayer[
0
](x,
lambda
x:
self
.self_attn(x, x, x, tgt_mask))
x
=
self
.sublayer[
1
](x,
lambda
x:
self
.src_attn(x, m, m, src_mask))
return
self
.sublayer[
2
](x,
self
.feed_forward)
|
注意：self.sublayer[1](x, lambda x: self.src_attn(x, m, m, src_mask)) 这行就是Encoder-Decoder Multi-head Attention。
query = x，key = m, value = m, mask = src_mask，这里x来自上一个 DecoderLayer，m来自 Encoder的输出。
|
1
2
3
4
5
6
7
8
9
10
11
|
class
Generator(nn.Module):
"""
Define standard linear + softmax generation step。
定义标准的linear + softmax 生成步骤。
"""
def
__init__(
self
, d_model, vocab):
super
(Generator,
self
).__init__()
self
.proj
=
nn.Linear(d_model, vocab)
def
forward(
self
, x):
return
F.log_softmax(
self
.proj(x), dim
=
-
1
)
|
在训练过程中，模型没有收敛得很好时，Decoder预测产生的词很可能不是我们想要的。这个时候如果再把错误的数据再输给Decoder，就会越跑越偏。这个时候怎么办？
（1）在训练过程中可以使用 “teacher forcing”。因为我们知道应该预测的word是什么，那么可以给Decoder喂一个正确的结果作为输入。
(2）除了选择最高概率的词 (greedy search)，还可以选择是比如 “Beam Search”，可以保留topK个预测的word。 Beam Search 方法不再是只得到一个输出放到下一步去训练了，我们可以设定一个值，拿多个值放到下一步去训练，这条路径的概率等于每一步输出的概率的乘积。
（1）每层计算复杂度比RNN要低。
（2）可以进行并行计算。
（3）从计算一个序列长度为n的信息要经过的路径长度来看, CNN需要增加卷积层数来扩大视野，RNN需要从1到n逐个进行计算，而Self-attention只需要一步矩阵计算就可以。Self-Attention可以比RNN更好地解决长时依赖问题。当然如果计算量太大，比如序列长度N大于序列维度D这种情况，也可以用窗口限制Self-Attention的计算数量。
（4）从作者在附录中给出的栗子可以看出，Self-Attention模型更可解释，Attention结果的分布表明了该模型学习到了一些语法和语义信息。
在原文中没有提到缺点，是后来在Universal Transformers中指出的，主要是两点：
（1）实践上：有些RNN轻易可以解决的问题transformer没做到，比如复制string，或者推理时碰到的sequence长度比训练时更长（因为碰到了没见过的position embedding）。
（2）理论上：transformers不是computationally universal(图灵完备)，这种非RNN式的模型是非图灵完备的的，无法单独完成NLP中推理、决策等计算问题（包括使用transformer的bert模型等等）。
1 http://jalammar.github.io/illustrated-transformer/
2 https://zhuanlan.zhihu.com/p/48508221
3 https://zhuanlan.zhihu.com/p/47063917
作者：ZingpLiu
出处：http://www.cnblogs.com/zingp/
本文版权归作者和博客园共有，欢迎转载，但未经作者同意必须保留此段声明，且在文章页面明显位置给出原文连接。
Copyright © 2003-2013 www.wpsshop.cn 版权所有，并保留所有权利。
