【论文阅读-Transformer】Attention is all you need

Title: Attention is all you need

From: NeurIPS 2017

Link: https://arxiv.org/abs/1706.03762

Code: https://github.com/tensorflow/tensor2tensor.

循环神经网络被普遍作为序列建模和转录问题的最佳模型。但是，循环模型（Recurrent models）存在两个问题：（1）其输入输出的顺序计算性阻碍了训练的并行化，序列长度越长，问题越明显。（2）而且随着序列的变长，存在长程依赖的问题。此外，注意力机制允许对依赖关系进行建模，而不考虑他们在输入或输出序列中的距离。这种机制往往和循环网络一起出现。

因此，作者提出Transformer，力图规避掉循环网络，只用attention来实现对输入输出间的全局依赖关系的建模。

重点记录下Transformer中的几个点。

1. Self-attention & Multi-head attention

Attention的三要素：Q、K、V，这三者有可能是一样的，比如你输入的句子序列x，分别乘以三个变换矩 W Q W^Q WQ， W K W^K WK和 W V W^V WV，来作为attention的输入，这种叫做自注意力。在其他情况下，这三者有可能K和V是一样的，也有可能都不一样。

在transformer的编码器中，用的是自注意力，而解码器中，KV是一样的，来自编码器的输出，query是解码器mask attention层的输出。

• Scaled dot-product attention

在单头的 Dot-Product Attention中，Q和K做内积来计算相似度，再经过一层softmax，最后的输出就是对 V V V的加权和。

和普通的点积注意力相比，这里多除了一个根号 d k d_k dk​，这也是作者为什么将其称为“scaled”。这样做的原因是当 d k d_k dk​ 比较大的时候，容易把softmax推到梯度较小的地方，缩放后，可以缓解这种情况。

• Mask

再补充一句mask，attention中的mask用于解码的过程。在t时刻，道理上模型应该只能看到0到t-1时刻的output，不然就算是泄漏了。所以在计算后，把t时刻之后的值都变成一个超大的负数，这样经过softmax之后，就趋近于零了，相当于把后面的信息mask掉了。

• Multi-head attention

多头注意力，就类似于卷积里面的多通道，每个通道去识别不同的模式。

对Q、K、V乘以不同的变换矩阵 W i Q W^Q_i WiQ​， W i K W^K_i WiK​和 W i V W^V_i WiV​，将其投影到低维，希望学到不同的投影方法，然后在每个i中，都是原来的scaled dot-product attention，最后将结果拼接起来。（这里的拼接还是加了一个线性层的）。可以认为不同的头，学到的是不同的相似关系/位置关系/。

2. Positional Encoding

Attention是没有时序信息，因为attention的输出是value的加权和，权重是query和key之间的距离，他和序列信息是无关的。也就是说，如果把一句话中所有词的顺序打乱，比如原来的“我爱北京”，换成“北京爱我”，语义肯定是发生了变化的，但是attention对这种变化是感知不到的。所以需要把位置信息加进去，来弥补自注意力机制不能捕捉序列时序信息的缺陷。

RNN是有时序信息的，上一个位置的输出是下一个位置的输入，所以包含了时序信息。

Transformer的思路是通过 sine and cosine 函数把位置信息编码到输入里面。这样编码可以让模型感知到位置的变换。

3. Layer Normalization

batch normalization 是对特征那个维度来做。

layer normalization是对样本那个维度来做。

图片源自李沐大佬视频中的截图

实验部分，还有一些详细的分析就不写了，今天就到这里吧～

参考：

1. https://zhuanlan.zhihu.com/p/420820453

些详细的分析就不写了，今天就到这里吧～

参考：

1.https://zhuanlan.zhihu.com/p/420820453

2.https://www.bilibili.com/video/BV1pu411o7BE?spm_id_from=333.999.0.0