1 摘要

1.1 核心

提出一个仅需要self attention + linear组合成encoder+decoder的模型架构

2 模型架构

2.1 概览

2.2 理解encoder-decoder架构

2.2.1 对比seq2seq，RNN

Self Attention

1. 输入token转为特征输入
2. shape [n(序列长度), D(特征维度)] 输入
3. 进入attention模块
4. 输出 shape [n(序列长度), D1(特征维度)] 此时每个D1被N个D做了基于attention weight的加权求和
5. 进入MLP
6. 输出 shape [n(序列长度), D2(输出维度)] 此时每个D2被D2和MLP weight矩阵相乘
7. 每个D2转换为输出token

RNN

1. 34步去除，并将每次MLP的输入修改为前一个Kt-1组合Kt输入

2.2.2 我的理解

把卷积核的滑动窗口修改成了不用滑动的全局大小窗口，但同时能高效的进行(1次矩阵乘法)特征提取。
CNN可以多通道拓展(增加)特征表征方式(修改卷积核个数)，自注意力需要增加多头机制。

3. Sublayer

3.1 多头注意力 multi-head self-attention

3.1.1 缩放点乘注意力 Scaled Dot-Product Attention

得到query和字典KV里的softmax相似度矩阵

3.1.2 QKV

Q： 描述特征
K： 特征编号
V： 特征值
Attention(Q,K): 表示Query和Key的匹配程度（系统中商品（Key）很多，其中符合我的描述（Query）的商品的匹配程度会高一点）
键是唯一标识 值是该positional input的隐式特征 query是一个新的positional input 找到和query比较相似的值 解放局部特征提取 实现全局特征提取 输出最后的query的最后一层特征向量 加上需要的head 构建模型
理解自注意力和QKV

3.1.3 multi-head

原因
1.attention可学习参数太少，增加线性层学习参数
2.类比CNN扩展通道数
使得输出的相似度矩阵是考虑了多种特征形式的。

3.1.4 masked

3.2 线性层 MLP

3.3 embedding and softmax

Label Smoothing

0 - 1 标签，softmax很难趋近为1。很soft，输出值很大，才会激活为1。

正确的词，softmax的输出为 0.1 即可，剩下的值是 0.9 / 字典大小

损失 perplexity，模型的困惑度（不确信度）、log（loss）做指数。因为正确的标签只需要给到 10 %。

模型不那么精确，可以提高 accuracy and BLEU score

3.4 positional encoding

输入的token在经过特征编码后，会和位置编码相加，我的理解是位置编码就是一种特征，是一种和特征编码等价的东西，所以直接做加法。
具体的加上了cos/sin函数，将值缩到0-1(?)之间，和特征编码的最大最小值相同，然后相加。
这个是对2D的位置编码，其中考虑的行列分别进行编码为2/d组合成d。

3.5 dropout

线性层用了大量dropout(0.1-0.3)

总结

从语言模型来说，通过全局注意力机制，优化掉RNN的短记忆缺点。
从模型架构来说，通过全局注意力机制，得到一个每个权重都考虑到所有输入特征的模型架构/特征提取机制/backbone。

附

李沐b站 对该论文理解的一些题目和答案

归一化，标准化，正则化

归一化（Normalization）：
使用方法： 归一化通常指对输入数据进行缩放，使其值在特定的范围内，例如将输入归一到0,1范围或−1,1范围。
意义： 归一化有助于提高模型训练的稳定性，避免梯度爆炸或梯度消失问题。常见的归一化方式包括最小-最大归一化和Z分数归一化。

标准化（Standardization）：
使用方法： 标准化是指对输入数据进行平移和缩放，使其均值为0，标准差为1。
意义： 标准化有助于使输入数据更易于训练，使得模型更容易收敛。在某些情况下，标准化也有助于降低不同特征的权重对模型训练的影响。

正则化（Regularization）：
使用方法： 正则化是通过在模型的损失函数中引入附加项来减小模型的复杂度。L1正则化和L2正则化是两种常见的正则化方法。
意义： 正则化有助于防止过拟合，通过对模型参数的大小进行惩罚，避免模型过度依赖训练数据中的噪声或特定模式。L1正则化倾向于产生稀疏权重，而L2正则化倾向于产生较小且平滑的权重。