在self-attention 基础上记录一篇Transformer学习笔记
- Transformer的网络结构
- Encoder
- Decoder
- 模型训练与评估
Transformer的网络结构
Transformer是一种seq2seq 模型。输入一个序列，经过encoder、decoder输出结果也是一个序列，输出序列的长度由模型决定。
seq2seq可以解决包括机器翻译、语音识别、语法解析、多标签分类问题等。还可以用于目标检测任务。
Transformer的网络结构：
Encoder
Transformer的编码器由多个self-attention block堆叠构成。
Transformer Encoder对应网络结构中这一部分：
multi-head attention模块就是Multi-head self-attention结构
self-attention block的结构如图：
self-attention block的输入向量为原始输入或者隐藏层的输出向量。
操作将当前向量的qi 向量与序列中所有其他向量的kj做点乘，计算attention score 记为αi，经过softmax得到αi '，再与向量vi 做点乘，得到attention 操作的输出。multi-head将得到的qi 向量分别与n个矩阵做点乘，head设置为n，说明要提取n中不同的相关性。
每一个输出向量结果接一个Fully Connected，完成一个self-attention block
另外Encoder中增加了Add&Norm，residual connection和layer normalization。
- 在self-attention结构和Fully connected结构上都上增加了残差连接，将输入向量与输出的向量相加得到最终输出结果。
- 在transformer中使用的是layer normalization。
layer normalization 与 batch normalization
对于batch normalization,在同一个mini batch 内做归一化处理，向量中有几个channel，就做几次normalization 操作；
对于layer nromalization，在同一个向量内部，向量中有几个dimention，就做几次normalization操作。
在卷集中使用batch normalization;在RNN中使用Layer Normalization.
对于RNN网络的动态输入，当batch较小时，batch normalization效果不好；
时序特征向量一个batch 中的特征长度并不是相同的。
Decoder
Transformer的decoder结构如图：
- AutoRegress(AT)
Encoder的输出结果一部分作为decoder的输入，同时还有一个特殊的token BEGIN输入到decoder中，经过softmax得到一个长度为L的向量。
L表示期望输出的内容的所有可能情况+1（END）。例如，机器翻译任务，英文翻译成中文，输出向量的长度为所有可能输出的汉字的集合。
输出的结果每一个向量对应属于每一个结果的概率，取概率最大的取值，该结果为当前输入对应额decoder输出结果。
将所有以往的输出结果和START一同输入到decoder,相同的方法获得输出的结果。
decoder不仅需要训练输出向量的内容还要训练输出向量的长度。当输出向量为“END”，说明说明该序列输出结束。
decoder中的multi-head attention是带有masked,因为decoder的输出结果是一个一个输出的，训练decoder模型希望它能够根据已有的输出信息得到输出结果，decoder只能看到左侧的内容，不能看到右侧的内容。
-
Non-AutoRegress(NAT)
NAT将一次输出整个序列。一次同时输入多个BEGIN，如何确定一次输入的BEGIN的数量（如何确定输出序列的长度）。（1）训练一个classifier网络来训练输出序列的长度
（2）指定一个分厂大的值作为输出序列的长度，知道输出END，只保留END之前的内容作为decoder的输出。Non-AutoRegress(NAT)的优点：
（1）能够实现并行处理，速度更快
（2）可以控制输出序列的长度
AutoRegress(AT)和Non-AutoRegress(NAT)对比：
Encoder和decoder之间如何传递信息
通过cross attention将encoder的输出与decoder中间的attention block连接。
将encoder输出的k向量与decoder输出的q向量计算点乘，在将得到的结果与v向量做点乘，得到的向量结果再进行Fully connection操作。实现cross attention
这一过程计算decoder中的节点，与encoder中所有节点的相关性。
模型训练与评估
对于decoder的训练是带有ground truth的，每一个输出的向量斗鱼ground truth计算一个损失值，计算cross entropy loss.可以看做是有几个输出向量就做了几次分类问题。min(cross entropy loss).
