Attention & Transformer

Attention & Transformer

seq2seq; attention; self-attention; transformer;

1 注意力机制在NLP上的发展

1. Seq2Seq，Encoder，Decoder

   

2. 引入Attention，Decoder上对输入的各个词施加不同的注意力 https://wx1.sbimg.cn/2020/09/15/9FZGo.png

   

3. Self-attention，Transformer，完全基于自注意力机制

   

4. Bert，双向Transformer，mask

5. XLNet，自回归语言模型，自动编码语言模型，摒弃遮盖

2 注意力机制

以机器翻译为例；Seq2Seq架构；

2.1 RNN + RNN

1. Encoder处理输入序列，得到上下文CONTEXT（一个向量，代表源文信息）；Decoder处理CONTEXT逐项生成输出序列。

2. RNN在每个时间步接收两个输入

   • 隐状态：上一个时间步传递来的；Decoder的初始隐状态为编码阶段的最后一个隐状态
   • 词向量输入：Encoder为输入序列的对应位置的词向量；Decoder为上一个时间步的输出（第一个时间步的输入为Start）

3. 上下文向量定长，模型难处理长句

2.2 RNN+RNN+Attention

1. Encoder 向 Decoder 传递更多的数据，不止传递编码阶段的最后一个隐藏状态，而是传递所有隐藏状态。

2. Decoder增加额外步骤，根据隐状态之间的相关性对不同的隐藏状态打分

   • 为每个编码器隐状态打分；softmax加权；求和

     

   • 打分后的Encoder隐状态加权后与当前Decoder隐状态结合，作为当前时间步的隐状态输入

     

   • Decode 过程中不同的步骤回关注于不同 Encoder 的隐状态

     

3 Transformer

Attention Is All You Need; self-attention;

3.1 概述

• 仍然由encoder和Decoder组成，完全基于自注意力机制，不使用RNN。
• 编码器和解码器都是一组编码/解码组件组成，原论文使用了6个

3.2 Encoder 解码器

• 编码器由两个子层：自注意力层（见3.3节）、全连接神经网络

• 每个编码器组件结构相同，但不共享权重。

3.3 自注意力机制

自注意力机制全景图

1. 词嵌入 word embedding

   • 发生在最底部的编码器；输入数据[batch_size, word_embedding_size, seq_len]；完成嵌入后作为输入经过编码器；每个位置的词并行经过编码器，速度比RNN快。

   

   • 并行运算未考虑到顺序关系，通过位置编码（positional encoding）使词嵌入包含位置信息。

     

   • 位置编码方式：sin、cos

2. 自注意力计算

   1. 三个参数W（\(W^Q\), \(W^K\),\(W^V\)）与输入的向量相乘得到：查询向量q，键向量k，值向量v；新向量维度小于嵌入向量的维数

   2. 对于一个输入向量，将其q向量与其他词的k向量相乘计算分数；分数高则关系密切

   3. 将分数缩放（避免梯度弥散）；通过softmax操作转化为概率。

   4. 将每个词的v向量用上一步的softmax概率加权求和；得到该输入向量的 z值

      

   5. 234步骤 以矩阵的形式，对多个输入向量并行求z，得到Z矩阵

      

3. 多头机制

   • 为关注曾提供了多个表示子空间；拓展了模型专注于不同层面的能力

   • 有多组qkv的权重矩阵；e.g. 使用8个关注头则每个编码器解码器会得到8组Z

   • 将所有的Z连接起来和一个权重矩阵\(W^O\)相乘，得到捕捉了所有注意力头的Z矩阵，再将其输入到接下来的全连接层。

3.4 Decoder 解码器

1. 结构：自注意力，encoder-decoder attention，全连接层

2. 自注意力层：仅对输出序列中之前的位置；在softmax之前，把将来生成的位置设置为-inf

3. encoder-decoder attention

   • 在自注意力层、全连接神经网络之间加入了一个encoder和decoder之间的注意力层，类似seq2seqRNN模型中的注意力。

   • 最后一个Encoder的输出，转换为K和V的集合，每个decoder在其encoder-decoder attention层中使用这些KV。

   • 工作方式与多头注意力类似，区别在于是从Encoder Stack的输出中获取KV。

4. 经过N层decoder，最终的输出通过线性层和softmax层得到输出的词

   

3.5 细节补充

• 残差和归一化 解码器编码器都有

  

•