简介
Transformer出自于Google于2017年发表的论文《Attention is all you need》，最开始是用于机器翻译，并且取得了非常好的效果。但是自提出以来，Transformer不仅仅在NLP领域大放异彩，并且在CV、RS等领域也取得了非常不错的表现。尤其是2020年，绝对称得上是Transformer的元年，比如在CV领域，基于Transformer的模型横扫各大榜单，完爆基于CNN的模型。为什么Transformer模型表现如此优异？它的原理是什么？它成功的关键又包含哪些？本文将简要地回答一下这些问题。
Transformer总览
我们知道Transformer模型最初是用于机器翻译的，机器翻译应用的输入是某种语言的一个句子，输出是另外一种语言的句子。如下图：
机器翻译应用
将中间的Transformer模块进一步拆开，可以看到它主要包含Encoders和Decoders两个部分，加了s代表它包含多个encoder和decoder。如下：
如果再进一步拆解开来，在原始的Transformer模型中，Encoders和Decoders部分中都分别包含6个encoder和decoder。
其中每一个encoder和decoder结构都是一样的，这里只是单纯地叠加起来而已。我们主要要关注的是单个encoder和decoder的内部结构，先将encoder的结构展示如下：
encoder结构
encoder的一共包含2层，分别是Self-Attention（SA）层和Feed Forward Neural Network（FFN）层，SA层的作用是在对输出序列中的每个词编码的时候，让编码信息中包含序列中的其他单词的信息，即保存了当前单词与其余单词之间的关系。FFN层就是普通的前向网络，对SA层的输出进行近一步的特征提取。
Self-Attention层
我们现在了解了Transformer模型的整体结构，其实并不复杂。这节主要要介绍其中的Self-Attention层，这也是困扰诸多初学者的部分。相信很多人都是第一次听说self-attention这个词，那么它的工作原理究竟是什么呢？接下来我们一步一步地将它分解开来。
首先我们知道encoder的输入是序列，也就是词向量，也叫做token。毕竟原始的句子，比如英文，是无法直接输入到模型的，我们需要使用类似Word Embedding等方式，将单词转换成一个个固定长度的词向量，比如512维。将词向量序列直接输入encoder，即依次经过SA层和FNN层，如下：
encoder
以上图为例，读者不要被图中的箭头迷惑了，认为Self-Attention的实现细节
这一节通过实际的例子来剖析SA层的实现细节，首先是如何基于向量来计算注意力，然后我们看一下它在实际应用中是如何基于矩阵进行加速的。整个Self-Attention过程可以分为6步，接下来我们来一探究竟。
一、 创建Q、K、V矩阵
首先我们需要为每个输入向量(也就是词向量)创建3个向量，分别叫做Query、Key、Value。那么如何创建呢？我们可以对输入词向量分别乘上3个矩阵来得到Q、K、V向量，这3个矩阵的参数在训练的过程是可以训练的。注意Q、K、V向量的维度是一样的，但是它们的维度可以比输入词向量小一点，比如设置成64，其实这步也不是必要的，这样设置主要是为了与后面的Mulit-head注意力机制保持一致（当使用8头注意力时，单头所处理的词向量维度为512/8=64，此时Q、K、V向量与输入词向量就一致了）。我们假设输入序列为英文的"Thinking Machines"，那么对应的Q、K、V向量的计算示例图如下:
Q、K、V向量的计算示意图
计算完成后，对于每一个输入词向量，都有3个Q、K、V向量。比如对于输入向量但是究竟什么是Q、K、V向量呢？它们的具体含义是什么？如何理解记忆呢？首先Query、Key、Value这个概念出自于信息检索系统，我们以在Youtube上搜索视频为例来具体说明一下它的工作流程。
当你搜索（query）一个特定的视频的时候，搜索引擎会将你的query映射到一组keys（比如视频标题、描述等等）上去，然后去找与这些keys最匹配的视频，也就是values。这就是基于特征的查询的基本原理。整体流程如下：
二、 计算Score
得到Q、K、V矩阵之后，第一步是计算Self-Attention中的score，具体做法如下。以输入序列的第一个单词"Thinking"为例，我们需要计算这个单词与输入序列的所有单词之间的score。当我们在某个位置对单词进行编码时，这个score其实决定了将多少注意力放在输入句子的其他部分上。
score的计算是取当前被计算单词的query向量，以及所有的单词的key向量，取两者的点积来当做当前单词的score。比如我们对输入序列的第一个单词“Thinking”计算score，由于整个序列长度为2，那么第一个score的计算使用和
的点积，第二个score使用
和
的点积。如下图：
score的计算过程
三、 Softmax
接下来，我们首先将上一步得到的score除以8，为什么是8，因为在第一步中，我们定义了Q、K、V矩阵的维度为64，64开根号为8。这么做的原因是为了保证更加稳定的梯度。然后将结果通过一个Softmax函数，Softmax函数会将scores归一化，使其全部都是整数，并且累加和为1。
Softmax
经过Softmax函数后的score决定了当前单词对每个位置的单词的影响程度。很显然当前单词对当前位置的影响程度一般是最大的。
四、将socre乘以values
接下来，将softmax后的scores乘以values向量，这么做的目的是为了保证我们需要关注的values向量的完整性，并且忽略掉不相关的values向量。例如对不相关的values向量乘以一个0.001，使其变得微不足道。
五、将values累加起来
这一步就很简单，将上一步得到的各个values向量累加起来就得到当前输入词向量的输出向量了。将四五步结合起来看，其实就相当于是一个加权求和操作，其中的权重就是第三步计算出来的scores，整个过程示意图如下：
这就是Self-Attention层的整体计算过程。这个输出向量就是我们需要进一步送往前馈神经网络中的。但是在实际的计算中，为了加快计算速度，我们通常会使用矩阵运算，接下来我们看下如何使用矩阵运算来简化和加速上述的计算步骤。
Self-Attention矩阵计算
第一步是计算Query, Key,和Value向量，我们先将所有的输入词向量拼成一个矩阵，然后乘以已经训练好的权重矩阵
。
计算QKV矩阵
剩下的步骤其实就是计算scores，通过softmax函数，再乘以矩阵V，我们可以用一下公式来表示：注意输入矩阵X中的每一行都代表了输入序列中的一个词向量。
多头注意力机制
上面提到的Self-Attention层可以认为是单头的，那什么叫多头注意力机制呢？其实也非常简单，就是对于输入词向量矩阵， 不再只是拥有一组权重矩阵，而是拥有多组。这样做主要会带来一下2个好处：
- 它扩展了模型专注于不同位置的词向量的能力
- 它给予了attention层多种表示子空间，即拥有多组
权重矩阵，这样可以将输入词向量映射到不同的特征子空间。
两头注意力机制
如果我们将Self-Attention的计算重复8次，每次使用不同的权重矩阵，那么我们就得到了8头注意力机制，论文中的Transformer实现就是8头的。同理，我们也会得到8个不同的输出矩阵z
但是这会引发一个问题，8个输出矩阵无法输入到encoder下一层的FNN层，所以我们需要设计一种方式来讲这8个输出矩阵聚合成单个矩阵。
怎么做呢？我们可以首先将这8个矩阵concat起来，然后乘以一个额外的权重矩阵，这样就可以得到与输入词向量一样大小的输出向量，然后再传入FNN层。
下面是多头注意力机制的整体计算过程图：
多头注意力机制
Positional Encoding
到目前为止，我们都还没有考虑输入序列的顺序问题。然后对于一句话而言，词的顺序直接影响到了整句话的意思，所以顺序非常重要。Transformer使用了Positional Encoding来解决这个问题，即给每个输入词向量都加上一个位置向量。这些位置向量可以决定每个单词在句子中的位置，或者说可以指示句子中不同单词之间的相对位置。
位置编码
假如输入词向量的维度为4，那么实际的位置编码向量可能是这样的：
位置向量
残差连接
encoder中的SA层基本就讲完了，FFN层其实没有什么特别好说的，就是普通的全连接层。有一点要注意的是，为了解决深度学习中的退化问题，encoder中的SA层和FFN层都采用了残差连接。如下图中虚线部分
残差连接
如果将上图再细化一下，可以得到如下的结构图：
encoder
这便是encoder的整体计算流程图了，Transformer模型中堆叠了多个这样的encoder，无非就是输出连接输入罢了，常规操作。
最后再附上一个Transformer的代码实现，读者有兴趣可以跟着自己复现一下Transformer模型的代码。
网友评论