1、理解Transformer：革新自然语言处理的模型

一、论文题目

二、背景与动机

三、卖点与创新

四、解决的问题

五、具体实现细节

0. Transformer 架构的主要组件

1. 注意力、自注意力（Self-Attention）到多头注意力（Multi-Head Attention）

注意力到底是做什么的？一个例子。

自注意力

多头注意力

2. 位置编码（Positional Encoding）

3. 编码器和解码器层（Encoder & Decoder Layers）

编码器：

解码器：

六、一些好的资料：

一、论文题目

Attention Is All You Need

二、背景与动机

在 Transformer 问世之前，循环神经网络（RNN）和其变体，如长短期记忆网络（LSTM）和门控循环单元（GRU），是处理序列数据的主流技术。这些模型通过递归地处理序列的每个元素来捕捉序列之间的依赖关系，例如在机器翻译或文本生成任务中。然而，RNN 有一个明显的缺点：无法并行化序列中的步骤处理，因为每个步骤都依赖于前一个步骤的输出。

三、卖点与创新

Transformer 模型的主要创新之处在于其独特的注意力机制——"自注意力"（Self-Attention）。这种机制允许模型在处理序列的每个元素时考虑到序列中的所有元素，因此能够直接捕捉远距离的依赖关系。自注意力的这一特点使得 Transformer 模型在处理长序列时效果显著。

此外，Transformer 模型还引入了以下几个关键的新颖概念：

多头注意力（Multi-Head Attention）：不只一次地计算自注意力，而是多次并行地计算，每一次都从不同的角度捕捉序列中的信息，然后将所有的信息合并起来，提供更全面的理解。
位置编码（Positional Encoding）：由于模型缺乏递归结构和卷积层，因此无法自然地利用输入序列的顺序信息。位置编码通过向输入添加额外的信息来解决这个问题，使得模型能够考虑到序列的顺序。
层次化结构：Transformer 通过堆叠多个注意力和前馈网络层来构建深度模型，这使得它能够学习复杂的表示。

四、解决的问题

Transformer 主要用来解决机器翻译等任务中，之前 RNN 在处理长序列时效率低下的问题。由于其并行化的自注意力机制，Transformer 可以显著加快训练速度。

五、具体实现细节

Transformer 的核心是基于注意力的编码器-解码器架构。编码器由一系列相同的层组成，每一层都有两个主要的子层：多头注意力层和简单的前馈神经网络。解码器也有类似的结构，但在每一层中包含两个注意力层，其中一个为Masked Multi-Head Attention，用于在掩盖后续输入；另一个为Muti-Head Attention层，用于关注编码器的输出。

0. Transformer 架构的主要组件

自注意力（Self-Attention）：允许模型在序列中的任何位置加权其他位置。
多头注意力（Multi-Head Attention）：将自注意力的输出拆分为多个头，分别处理然后再合并。
位置编码（Positional Encoding）：在输入中添加位置信息，因为 Transformer 没有递归和卷积结构去自然捕捉序列的顺序。
编码器和解码器层（Encoder & Decoder Layers）：Transformer 模型的主体。
前馈神经网络（Feed-Forward Neural Network）：编码器和解码器层中的一个组成部分。
最终的线性和 Softmax 层：将解码器输出转换为预测。

1. 注意力、自注意力（Self-Attention）到多头注意力（Multi-Head Attention）

一下内容引自：Attention Is All You Need (Transformer) 论文精读 - 知乎,推荐。

注意力到底是做什么的？一个例子。

其实，“注意力”这个名字取得非常不易于理解。这个机制应该叫做“全局信息查询”。做一次“注意力”计算，其实就跟去数据库了做了一次查询一样。假设，我们现在有这样一个以人名为key（键），以年龄为value（值）的数据库：

{张三: 18,张三: 20,李四: 22,张伟: 19
}

现在，我们有一个query（查询），问所有叫“张三”的人的年龄平均值是多少。让我们写程序的话，我们会把字符串“张三”和所有key做比较，找出所有“张三”的value，把这些年龄值相加，取一个平均数。这个平均数是(18+20)/2=19。

但是，很多时候，我们的查询并不是那么明确。比如，我们可能想查询一下所有姓张的人的年龄平均值。这次，我们不是去比较key == 张三,而是比较key[0] == 张。这个平均数应该是(18+20+19)/3=19。

或许，我们的查询会更模糊一点，模糊到无法用简单的判断语句来完成。因此，最通用的方法是，把query和key各建模成一个向量。之后，对query和key之间算一个相似度（比如向量内积），以这个相似度为权重，算value的加权和。这样，不管多么抽象的查询，我们都可以把query, key建模成向量，用向量相似度代替查询的判断语句，用加权和代替直接取值再求平均值。“注意力”，其实指的就是这里的权重。

把这种新方法套入刚刚那个例子里。我们先把所有key建模成向量，可能可以得到这样的一个新数据库：

{[1, 2, 0]: 18, # 张三[1, 2, 0]: 20, # 张三 [0, 0, 2]: 22, # 李四[1, 4, 0]: 19 # 张伟 
}

假设key[0]==1表示姓张。我们的查询“所有姓张的人的年龄平均值”就可以表示成向量[1, 0, 0]。用这个query和所有key算出的权重是：

dot([1, 0, 0], [1, 2, 0]) = 1
dot([1, 0, 0], [1, 2, 0]) = 1
dot([1, 0, 0], [0, 0, 2]) = 0
dot([1, 0, 0], [1, 4, 0]) = 1

之后，我们该用这些权重算平均值了。注意，算平均值时，权重的和应该是1。因此，我们可以用softmax把这些权重归一化一下，再算value的加权和。

softmax([1, 1, 0, 1]) = [1/3, 1/3, 0, 1/3]
dot([1/3, 1/3, 0, 1/3], [18, 20, 22, 19]) = 19

这样，我们就用向量运算代替了判断语句，完成了数据库的全局信息查询。那三个1/3，就是query对每个key的注意力。

刚刚完成的计算差不多就是Transformer里的注意力，这种计算在论文里叫做放缩点乘注意力（Scaled Dot-Product Attention）。它的公式是：

我们先来看看 $Q,K,V$ 在刚刚那个例子里究竟是什么。 $K$ 比较好理解， $K$ 其实就是key向量的数组，也就是

K = [[1, 2, 0], [1, 2, 0], [0, 0, 2], [1, 4, 0]]

同样， $V$ 就是value向量的数组。而在我们刚刚那个例子里，value都是实数。实数其实也就是可以看成长度为1的向量。因此，那个例子的 $V$ 应该是

V = [[18], [20], [22], [19]]

在刚刚那个例子里，我们只做了一次查询。因此，准确来说，我们的操作应该写成。

其中，query $q$ 就是[1, 0, 0]了。

实际上，我们可以一次做多组query。把所有 $q$ 打包成矩阵 $Q$ ，就得到了公式

等等，这个 $d_k$ 是什么意思？ $d_k$ 就是query和key向量的长度。由于query和key要做点乘，这两种向量的长度必须一致。value向量的长度倒是可以不一致，论文里把value向量的长度叫做 $d_v$ 。在我们这个例子里， $d_k$ =3, $d_v$ =1。

为什么要用一个和 $d_k$ 成比例的项来放缩 $QK^T$ 呢？这是因为，softmax在绝对值较大的区域梯度较小，梯度下降的速度比较慢。因此，我们要让被softmax的点乘数值尽可能小。而一般在 $d_k$ 较大时，也就是向量较长时，点乘的数值会比较大。除以一个和 $d_k$ 相关的量能够防止点乘的值过大。

刚才也提到， $QK^T$ 其实是在算query和key的相似度。而算相似度并不只有求点乘这一种方式。另一种常用的注意力函数叫做加性注意力，它用一个单层神经网络来计算两个向量的相似度。相比之下，点乘注意力算起来快一些。出于性能上的考量，论文使用了点乘注意力。

自注意力

以上注意力机制中，通常涉及两个不同的序列：一个是查询序列（比如在机器翻译中的目标语言）、另一个是键-值序列（比如源语言）。模型在生成查询序列的每个元素时，会参考键-值序列来决定聚焦于哪些元素。

而在自注意力中，查询、键和值都来自于同一个序列。这意味着模型在处理序列的每个元素时，是在自身序列的上下文中进行的，而不是在另一个序列的上下文中。自注意力的这种特性使其特别适用于捕捉序列内部的长距离依赖关系。

换句话说，自注意力机制不依赖于源序列和目标序列之间的关系，它可以在输入序列内部建立元素之间的关联。

自注意力通常通过以下步骤实现：

对于序列中的每个元素（比如一个句子中的每个单词），模型通过可学习的线性变换生成三个不同的向量：查询向量（Query）、键向量（Key）和值向量（Value）。
自注意力计算每个查询向量与所有键向量的兼容性（通常是通过点积得到的），从而生成一个注意力分数。
应用 softmax 函数到注意力分数上，得到一个概率分布，表明每个位置对当前位置的重要性。
这些权重随后用于加权对应的值向量，加权和就形成了该位置的输出向量。

多头注意力

多头注意力机制是自注意力的一个扩展，它允许模型在不同的表示子空间中同时学习信息。多头注意力的工作原理：

在单头自注意力中，我们为序列中的每个元素生成一组查询（Q）、键（K）和值（V）向量。在多头注意力中，我们将这个过程重复多次（每个“头”一次），每次使用不同的、可学习的线性变换。

对于每个头，我们独立地进行自注意力计算。这意味着对于每个头，我们根据该头的查询、键和值来计算注意力分数，并使用这些分数来加权值向量，得到该头的输出。

一旦所有头的自注意力计算完成，将每个头产生的输出向量拼接起来，并对其应用另一个可学习的线性变换，这样就生成了最终的多头注意力输出。

代码示例：

import torch
import torch.nn as nn
import torch.nn.functional as Fclass SelfAttention(nn.Module):def __init__(self, embed_size, heads):super(SelfAttention, self).__init__()self.embed_size = embed_sizeself.heads = heads      # head的数量self.head_dim = embed_size // headsassert (self.head_dim * heads == embed_size), "Embed size needs to be divisible by heads"self.values = nn.Linear(self.head_dim, self.head_dim, bias=False)self.keys = nn.Linear(self.head_dim, self.head_dim, bias=False)self.queries = nn.Linear(self.head_dim, self.head_dim, bias=False)self.fc_out = nn.Linear(heads * self.head_dim, embed_size)def forward(self, values, keys, query, mask):N = query.shape[0]value_len, key_len, query_len = values.shape[1], keys.shape[1], query.shape[1]# Split the embedding into self.heads different piecesvalues = values.reshape(N, value_len, self.heads, self.head_dim)keys = keys.reshape(N, key_len, self.heads, self.head_dim)queries = query.reshape(N, query_len, self.heads, self.head_dim)values = self.values(values)keys = self.keys(keys)queries = self.queries(queries)# Self-attentionenergy = torch.einsum("nqhd,nkhd->nhqk", [queries, keys])  # Query-Key dot productif mask is not None:energy = energy.masked_fill(mask == 0, float("-1e20"))attention = torch.softmax(energy / (self.embed_size ** (1/2)), dim=3)out = torch.einsum("nhql,nlhd->nqhd", [attention, values]).reshape(N, query_len, self.heads * self.head_dim)out = self.fc_out(out)return out

注：torch.einsum用法：torch.einsum用法-CSDN博客

再详细一点可好？torch.einsum("nqhd,nkhd->nhqk", [queries, keys])的等价代码如下：

import torch# 假设 queries 的形状为 (batch_size, num_queries, hidden_dim)
# 假设 keys 的形状为 (batch_size, num_keys, hidden_dim)# 使用等价代码实现
batch_size, num_queries, hidden_dim = queries.size()
num_keys = keys.size(1)# 将 queries 和 keys 进行扩展以匹配计算的维度
expanded_queries = queries.unsqueeze(2).expand(batch_size, num_queries, num_keys, hidden_dim)
expanded_keys = keys.unsqueeze(1).expand(batch_size, num_queries, num_keys, hidden_dim)# 逐元素相乘，得到内积结果
dot_product = torch.mul(expanded_queries, expanded_keys)# 将最后两个维度进行交换，得到结果
result = dot_product.permute(0, 2, 1, 3)# result 的形状为 (batch_size, num_keys, num_queries, hidden_dim)

2. 位置编码（Positional Encoding）

位置编码（Positional Encoding）的作用是为模型提供关于单词在序列中位置的信息。由于 Transformer 的自注意力机制并不区分序列中不同位置的元素，即它本身不像循环神经网络（RNN）那样具有处理序列的固有顺序性，所以需要一种方法来保证模型能够利用单词的顺序信息。

位置编码通过向输入嵌入（Embeddings）添加额外的信息来解决这个问题。这使得模型能够根据单词在序列中的位置以及单词的实际含义来进行计算和学习。位置编码是以一种特定的模式添加的，它对每个位置上的嵌入向量进行修改，使得不同位置的嵌入向量能够反映出它们的位置关系。

在原始的 Transformer 论文中，位置编码使用正弦和余弦函数的固定频率来生成。对于每个维度 (d) ，位置编码 (PE) 采用以下公式：

$PE_{(pos, 2i)} = \sin(pos / 10000^{2i/d_{\text{model}}})$

$PE_{(pos, 2i+1)} = \cos(pos / 10000^{2i/d_{\text{model}}})$

其中：

(pos) 是位置索引。
(i) 是维度索引。
( $d_{\text{model}}$ ) 是模型中单个词向量的维度。

直觉上，这种编码方法为每个维度提供了一个独特的“波长”，使得模型对于不同位置的词可以有区分性的理解。使用正弦和余弦函数是因为它们相对于位置的偏移具有周期性，并且能够让模型学习到相对位置信息。

位置编码通常与词嵌入向量相加，结果即作为 Transformer 模型的输入。这种做法保证了模型在处理单词时同时考虑了单词的含义和它们在序列中的位置。由于位置编码和词嵌入是相加的，因此它们必须具有相同的维度。

代码如下：

class PositionalEncoding(nn.Module):def __init__(self, embed_size, max_len, device):super(PositionalEncoding, self).__init__()self.encoding = torch.zeros(max_len, embed_size).to(device)for pos in range(max_len):for i in range(0, embed_size, 2):self.encoding[pos, i] = math.sin(pos / (10000 ** ((2 * i)/embed_size)))self.encoding[pos, i + 1] = math.cos(pos / (10000 ** ((2 * (i + 1))/embed_size)))def forward(self, x):return x + self.encoding[:x.size(0)]

3. 编码器和解码器层（Encoder & Decoder Layers）

编码器：

Transformer 编码器的结构由多个相同的层（layer）堆叠而成，每一层都有两个主要子模块，以及一个残差连接跟随每个子模块，最后是层归一化（Layer Normalization）。每个编码器层包含以下部分：

自注意力（Self-Attention）子层 - 该层允许编码器在生成每个单词的表示时考虑输入序列中的所有位置。每个位置的输出是对整个序列的自注意力分数加权和。
残差连接和层归一化 - 自注意力子层的输出与其输入相加（残差连接），接着应用层归一化。
前馈网络（Feed-Forward Network） - 一个由两个线性变换组成的网络，中间有一个 ReLU 激活函数。这个前馈网络是逐位置应用的，也就是说每个位置的表示都会通过相同的前馈网络，但是不同位置之间是独立的。
残差连接和层归一化 - 前馈网络的输出与其输入相加（残差连接），接着应用层归一化。

简易代码如下：

class EncoderLayer(nn.Module):def __init__(self, embed_size, heads, forward_expansion, dropout, device):super(EncoderLayer, self).__init__()self.attention = SelfAttention(embed_size, heads)self.norm1 = nn.LayerNorm(embed_size)self.norm2 = nn.LayerNorm(embed_size)self.feed_forward = nn.Sequential(nn.Linear(embed_size, forward_expansion * embed_size),nn.ReLU(),nn.Linear(forward_expansion * embed_size, embed_size))self.dropout = nn.Dropout(dropout)def forward(self, x, mask):attention = self.attention(x, x, x, mask)x = self.dropout(self.norm1(attention + x))forward = self.feed_forward(x)out = self.dropout(self.norm2(forward + x))return out

解码器：

Transformer 的解码器架构设计用来将编码器的输出转换成最终的输出序列（比如在机器翻译中将编码的源语言句子转换成目标语言）。解码器由多个相同的层堆叠而成，每层包含以下三个主要部分：

Masked Self-Attention Layer: 与编码器中的自注意力层类似，但使用了掩码（mask）来防止对未来位置的信息进行注意力计算（即，在生成第 i 个单词时，解码器只能看到第 1 到 i 个单词）。

Encoder-Decoder Attention Layer: 这个层使得解码器能够关注编码器的输出。解码器的查询（Q）来自于前面的 masked self-attention 层的输出，而键（K）和值（V）来自于编码器的输出。

Feed-Forward Neural Network: 与编码器中的前馈神经网络相同。

每个子层都有一个残差连接，并且之后跟着一个层归一化（layer normalization）。最终，解码器的输出传递给一个线性层和一个 softmax 层来生成输出序列。

以下是使用 PyTorch 实现的 Transformer 解码器的简化代码：

import torch
import torch.nn as nn
import torch.nn.functional as Fclass TransformerDecoderLayer(nn.Module):def __init__(self, embed_size, heads, forward_expansion, dropout, device):super(TransformerDecoderLayer, self).__init__()self.self_attention = SelfAttention(embed_size, heads)self.norm1 = nn.LayerNorm(embed_size)self.encoder_decoder_attention = SelfAttention(embed_size, heads)self.norm2 = nn.LayerNorm(embed_size)self.feed_forward = nn.Sequential(nn.Linear(embed_size, forward_expansion * embed_size),nn.ReLU(),nn.Linear(forward_expansion * embed_size, embed_size))self.norm3 = nn.LayerNorm(embed_size)self.dropout = nn.Dropout(dropout)def forward(self, x, value, key, src_mask, trg_mask):# Masked self attentionattention = self.self_attention(x, x, x, trg_mask)query = self.dropout(self.norm1(attention + x))# Encoder-decoder attentionattention = self.encoder_decoder_attention(query, key, value, src_mask)query = self.dropout(self.norm2(attention + query))# Feed forwardout = self.dropout(self.norm3(self.feed_forward(query) + query))return outclass TransformerDecoder(nn.Module):def __init__(self, target_vocab_size, embed_size, num_layers, heads, forward_expansion, dropout, device, max_length):super(TransformerDecoder, self).__init__()self.device = deviceself.word_embedding = nn.Embedding(target_vocab_size, embed_size)self.position_embedding = nn.Embedding(max_length, embed_size)self.layers = nn.ModuleList([TransformerDecoderLayer(embed_size, heads, forward_expansion, dropout, device)for _ in range(num_layers)])self.fc_out = nn.Linear(embed_size, target_vocab_size)self.dropout = nn.Dropout(dropout)def forward(self, x, enc_out, src_mask, trg_mask):N, seq_length = x.shapepositions = torch.arange(0, seq_length).expand(N, seq_length).to(self.device)x = self.dropout(self.word_embedding(x) + self.position_embedding(positions))for layer in self.layers:x = layer(x, enc_out, enc_out, src_mask, trg_mask)out = self.fc_out(x)return out

注：在解码器中，在输出第t+1个单词时，模型不应该提前知道t+1时刻之后的信息。因此，应该只保留t时刻之前的信息，遮住后面的输入。这可以通过添加掩码实现。添加掩码的一个不严谨的示例如下表所示：

输入	输出
(y1, --, --, --)	y2
(y1, y2, --, --)	y3
(y1, y2, y3, --)	y4

这就是为什么解码器的多头自注意力层前面有一个masked。在论文中，mask是通过令注意力公式的softmax的输入为−∞来实现的（softmax的输入为−∞，注意力权重就几乎为0，被遮住的输出也几乎全部为0）。每个mask都是一个上三角矩阵。

注：transformer训练时是并行的，并行输出所有时刻的预测结果计算损失。而推理时是串行的，需要每次把前i个单词输入，预测第i+1个，然后把预测出来的第i+1个单词加入输入预测后续内容。

六、一些好的资料：

Attention Is All You Need (Transformer) 论文精读 - 知乎Attention Is All You Need (Transformer) 是当今深度学习初学者必读的一篇论文。但是，这篇工作当时主要是用于解决机器翻译问题，有一定的写作背景，对没有相关背景知识的初学者来说十分难读懂。在这篇文章里，我…https://zhuanlan.zhihu.com/p/569527564（详细）Transformer完整版）_transformer论文-CSDN博客文章浏览阅读7k次，点赞7次，收藏41次。原文链接：https://blog.csdn.net/longxinchen_ml/article/details/86533005 作者：龙心尘时间：2019年1月出处：https://blog.csdn.net/longxinchen_ml/article/details/_transformer论文https://blog.csdn.net/qq_43703185/article/details/120287945