Transformer的模型架构
首先建立一个概念，Transformer由两部分组成，编码器Encoder和解码器Decoder。
Encoder：读取输入语句并生成其representation。
Decoder：参考Encoder生成的输入语句的representation，逐词生成输出语句。
论文中的Transformer的架构图是长这个样子的，左边是Encoder，右边是Decoder：
Transformer架构图
为了方便理解它的交互方式，可以把它看成这个样子：
有了一个整体性概念以后，接下来关注Encoder和Decoder部分：
- Encoder：Encoder部分目的比较单纯，就是从原始句子中提取特征。
- Decoder：Decoder部分则功能相对比较多，除了特征提取功能外，还包含语言模型功能，以及用attention机制表达的翻译模型功能。
当用Transformer做特征抽取时，实际上指的只是Transformer 的Encoder部分,Bert所用的Transformer就是如此。
decoder介绍可以看这里，接下来重点关注一下Encoder的内部细节。
俊林大神的示意图
Encoder = Multi-head self attention+Skip connection+LayerNorm+FF - Multi-head self attention：Transformer的核心所在，Illustrated: Self-Attention
- Skip connection：大名鼎鼎的残差连接，解决梯度问题。
- LayerNorm：对上一层的输出做归一化，缓解过拟合，模型优化之Layer Normalization
- FF：前馈神经网络，即MLP
看张俊林老师的文章，发现这么一句话： “这里需要强调一下，尽管Transformer原始论文一直重点在说Self Attention，但是目前来看，能让Transformer效果好的，不仅仅是Self attention，这个Block里所有元素，包括Multi-head self attention，Skip connection，LayerNorm，FF一起在发挥作用。为什么这么说？[2]”
目前不太明白，懂了再来填坑
缺陷
Transformer主要存在以下几点不足：
-
缺少Recurrent Inductive Bias：
学习算法中Inductive Bias可以用来预测从未遇到的输入的输出（参考[10])。对于很多序列建模任务（如需要对输入的层次结构进行建模时，或者在训练和推理期间输入长度的分布不同时），Recurrent Inductive Bias至关重要。EMNLP 2018 上的一个工作[9]对这一点进行了实证。 -
Transformer是非图灵完备的：
非图灵完备通俗的理解，就是无法解决所有的问题（详情可以看这里)。 -
transformer缺少conditional computation：
transformer在encoder的过程中，所有输入元素都有相同的计算量，比如对于“I arrived at the bank after crossing the river”, 和”river”相比，需要更多的背景知识来推断单词”bank”的含义，然而transformer在编码这个句子的时候，无条件对于每个单词应用相同的计算量，这样的过程显然是低效的。 -
不能很好的处理超长输入：
理论上来说，attention可以关联两个任意远距离的词，但实际中，由于计算资源有限，仍然会限制输入序列的长度，超过这个长度的序列会被截断
参考：
网友评论