论文日记四：Transformer(论文解读+NLP、CV项目实战)

导读

重磅模型transformer,在2017年发布，但就今天来说产生的影响在各个领域包括NLP、CV这些都是巨大的！

Paper《Attention Is All You Need》,作者是在机器翻译这个领域进行的实验，当然我们今天知道它被应用到了很多地方，作者也在结论部分说它将被应用到图像、音频、视频等任务中，本文以机器翻译任务来解释transformer网络结构，之后还会在cv任务中进行介绍。

论文首先指出当前LSTM、GRU这些RNN系列网络和CNN存在的问题：

1） RNN使用隐藏层存储并传递前面时刻的信息，只能从左到右依次计算或从右至左依次计算，这限制了模型的并行能力；

2） RNN在序列过长会导致梯度爆炸或者梯度消失，这种顺序计算的过程中会有信息的丢失；

3) CNN使用卷积每次看比较小的窗口，对于距离较远的像素，需要用多层卷积一层层扩大感受野才能把两个像素建立关系；

而transformer能同时提取所有上下文信息，具有更好的并行性，符合GPU框架，并且将序列中的任意两个位置之间的距离都缩小为1，解决了长序列的依赖问题。

网络模型

Transformer的结构如下，它是一种encoder-decoder结构，现在来一个个解读其结构：

Encoder

• Embedding: 这里可理解为将我们喂进去数据集的语料（词）转化成特征向量，论文中使用的词嵌入向量的维度为512；
• Self-attention:这是Transformer的核心，在encoder中进入Multi-Head Attention（多个self-attention集成）的线有一条变成三条，这里表示每个词向量复制成3个向量，它们分别是Query向量（Q）、Key向量（K）和Value向量（V）,由于它们三都是自己复制过来的，因此称为自注意力机制，他们的计算公式如下：
  
  

这里为什么要有Q,K,V呢，结合公式看下面示意图：



上述示意图展示了self-attention的计算过程，首先将输入转为嵌入向量，根据嵌入向量得到q，k，v三个向量，为每一个计算一个相似度q*k，为了梯度稳定，除以了根号dk，再经过softmax层就会得到一个非负、加起来和为1的权重分布，再与v相乘，之后加权得到输出的结果。

根据嵌入向量怎么得到q、k、v的呢？ 看示意图，基于矩阵的方式得到：

• Multi-Head Attention:

Multi-Head Attention可以看成h个不同的self-attention的集成，论文中h设为了8，那为什么要有multi-head attention模块呢？一个解释是，我们希望它能像卷积里的多通道一样，不同的self-attention我们希望它看到不一样的东西，这种结构能将输入向量映射到不同的空间维度，提高transformer的抽取语义信息的能力，它的示意图如下：

上图左侧示意图就是上述我们讲过的self-attention的计算过程，不过其中有个Mask的红色模块，这个我们放到后面介绍。右侧就是Multi-Head Attention模块，它先将Q、k、V输入，通过不同的线性层映射到不同的空间（每个空间是一个头），再分别在这些空间中进行左侧示意图的计算，最后将得到的结果进行拼接，再经过一个额外的映射层映射到原来的空间，这是计算公式:

• Add & Norm:

这是残差连接及归一化层，缓解网络随着深度的增加退化问题，能使模型训练得更深，归一化层用的是Layer Normalization（LN），它在有循环机制的网络和batchsize较小的时候效果好，它和Batch Normalization（BN）的区别在于归一化的维度是相互垂直的，其示意图如下：

左侧是LN，它取的是同一个样本的不同通道做归一化；右侧是BN，它是取不同样本的同一通道的特征做归一化；那这里实际用起来有什么不一样呢？为什么transformer里是用的LN呢？首先第一个问题，我们可以从示意图中看到BN是按照样本计算归一化统计量的，我们知道，在NLP任务中，样本尺度不一，这种情况下算出的单个batch样本的均值和方差不能反映全局的统计分布信息，当测试时我们遇到大度大于任何一个训练样本的测试样本时，无法找到保持的归一化统计量。而LN与样本数多少无关，它根据样本的特征数做归一化，更符合NLP的规律。举个简单例子，如果把一批文本组成一个batch，BN就是对 batch 中每句话的同一位置的词进行操作，而 LN是对每一句 句子中的所有词 进行操作，这样的LN是不是更符合NLP了。

• Feed Forward:
  
  论文中称此层为Position-wise Feed-Forward Network，它是由两个线性层和中间的一个由Relu组成的激活层构成。可以看做是kernel size 为1的卷积。输入的维度是512,中间层的维度是2048。

Decoder

• Masked Multi-Head Attention

我们知道作为decoder在预测当前步的时候，是不能让模型知道后面的内容的，而attention的计算方式是能够得到全局的信息，因此设计了这个模块，它具体的实现方法是：当预测第t步时，将t后面的变成很大的负数，这样经过softmax后这些负数就变成0了。

• Decoder流程解读

可以看到decoder也是有N层堆叠起来，对于其中的每一层，上半部分是与encoder结构一样，下半部分是由上面介绍的Masked Multi-Head Attention接上残差连接和LN层组成，我们注意到上半部分的输入来自两个部分，K、V来自Encoder的输出，而Q来自与解码器的上一个下半部分的输出，其计算方式就是我们上述介绍过的Attention的计算方法。之后经线性层、softmax得到反映每个单词概率的输出向量。

• Position Embedding:

我们从Transformer的模型结构中看到无论时encoder还是decoder都有一个Position模块，这是因为到目前为止我们介绍的transformer模型并没有捕捉顺序序列的能力，也就是说无论句子的结构怎么打乱，Transformer都会得到类似的结果,不像RNN，它从左至右计算，天生就有序列顺序能力。

因此论文中在编码词向量时引入了位置编码（Position Embedding）的特征，位置编码会在词向量中加入了单词的位置信息，这样Transformer就能区分不同位置的单词了。编码公式如下：

其中pos表示单词的位置，i表示emdedding向量中的位置，即512维中的每一维；

对于每个位置pos进行编码，然后与相应位置的word embedding进行相加，构成当前位置的新word embedding。

论文总结

1）Transformer不同与RNN需要从左至右计算，可以直接捕捉全文信息，算法的并行性非常好，且其设计最大的带来性能提升的关键是将任意两个单词的距离是1，这对解决NLP中棘手的长期依赖问题是非常有效的。

2）Embeddings and Softmax: 论文中将embedding层的参数与最后的Softmax层之前的线性变换层参数进行了共享，并且在embedding层，将嵌入的结果乘上维度的根号，这是为了缩小他们的间距。

3) 训练细节：初始化：PyTorch里面实现的是nn.xavier_uniform，优化器是以β1=0.9，β2=0.98和ϵ=10的负9次方的Adam为基础；正则化采用了两种，第一种是dropout，作用在Position-wise Feed-Forward Networks层的一个sub-layer的输出在加上下一个sublayer的输入做nomalized之前应用dropout，同时在embeddings和positional encodings求和时应用droput，论文种dropout设为0.1；第二种是Label Smoothing，这里论文取的ϵ=0.1，他们发现会损失困惑度，但能提升准确率和BLEU值，今天来看，label smoothing为什么能提点？它能合均匀分布，用更新的标签向量来代替传统的独热编码，这样label smoothing后的分布就相当于往真实分布中加入噪声，避免模型对于正确标签over confidences，使得预测正负样本的输出值差别不那么大，从而避免过拟合，提高模型的泛化能力。

4）transformer架构成为超大型自然语言文本预训练微调范式的奠基石，后来的Bert，GPT2这些都有其贡献，当然我们今天知道在图像这些任务上也大放异彩，其让文本、图像等多模态可集成在同一框架内。

实战训练

我提供了两种基于transformer的demo项目演示，分别在NLP任务的文本分类和CV任务

NLP

这里搭建了一个基于transformer的结构来进行文本分类任务的demo，你可以在github上访问。

CV

这里搭建了一个基于transformer的网络结构来进行detection任务的demo，你可以在github上访问。