浅谈Transformer 及Attention网络

1 Transformer 模型结构
处理自然语言序列的模型有 rnn， cnn（textcnn），但是现在介绍一种新的模型，transformer。与RNN不同的是，Transformer直接把一句话当做一个矩阵进行处理，要知道，RNN是把每一个字的Embedding Vector输入进行，隐层节点的信息传递来完成编码的工作。简而言之，Transformer 直接粗暴（后面Attention也就是矩阵的内积运算等）。

Attention 的编码，把一个输入序列(x1,...,xn) (x_1,...,x_n)(x
1
​
,...,x
n
​
)表示为连续序列z=(z1,...,zn) \mathbf {z} = (z_1,...,z_n)z=(z
1
​
,...,z
n
​
).给定z \mathbf {z}z, 解码生成一个输出序列 (y1,...,ym) (y_1,..., y_m)(y
1
​
,...,y
m
​
). 模型每一步都是自回归的（？），即假设之前生成的结果都是作为生成下一个符号的额外输入。
TransFormer 模型使用堆叠的自注意力
（self-attention）、逐点（point-wise）、全连接层（fully connected layers）.

1.1 堆叠的编码和解码
编码：编码器由 N=6 个相同的层堆叠成，每层有两个减层（sub-layers）和标准化层。
解码： 有6个相同层堆叠而成，此外，在解码堆叠中，增加自注意力减层，防止 位置出现偏差。

1.2 Attention
NLP领域中，Attention网络基本成为了标配，是Seq2Seq的创新。Attention网络是为了解决编码器-解码器结构存在的长输入序列问题。
Attention功能可以被描述为将查询和一组键值对映射到输出，其中查询，键，值和输出都是向量。输出可以通过对查血的值加权来计算。

1.2.1 压缩的点乘注意力机制
输入：查询（query）、键（维度dk d_kd
k
​
）、值（维度 dv d_vd
v
​
）.
查询矩阵Q、键矩阵K、值矩阵V
输出：
Attention(Q,K,V)=softmax(QKT(dk)√)V Attention(Q,K,V)= softmax(\frac{QK^T}{\sqrt{(d_k)}})VAttention(Q,K,V)=softmax(
(d
k
​
)
​

QK
T

​
)V

Attention与RNN/CNN不同，在于Attention，直接将xt x_tx
t
​
与原来的每个词进行比较，最后算出yt y_ty
t
​
;即
yt=f(xt,A,B) y_t = f(x_t, \Alpha, \Beta)y
t
​
=f(x
t
​
,A,B)
其中，A,B为另外一个序列或矩阵；如果A=B=X,那么称为 Self Attention.

举例：

embedding在进入到Attention之前，有3个分叉，那表示说从1个向量，变成了3个向量Q,K,V，它是通过定义一个WQ矩阵（这个矩阵随机初始化，通过前向反馈网络训练得到），将embedding和WQ矩阵做乘法，得到查询向量q，假设输入embedding是512维，在上图中我们用4个小方格表示，输出的查询向量是64维，上图中用3个小方格以示不同。然后类似地，定义WK和WV矩阵，将embedding和WK做矩阵乘法，得到键向量k；将embeding和WV做矩阵乘法，得到值向量v。对每一个embedding做同样的操作，那么每个输入就得到了3个向量，查询向量，键向量和值向量。需要注意的是，查询向量和键向量要有相同的维度，值向量的维度可以相同，也可以不同，但一般也是相同的。

至于将获得的Q,K,V矩阵具体操作，总的来说，就是以下这幅图。

获得的Z和目标值进行比较，获得的损失反向传播，优化的参数是，WQ,WK,WV W_Q, W_K, W_VW
Q
​
,W
K
​
,W
V
​
.

1.2.2 Multi-Head Attention
MultiHead(Q,K,V)=Concat(head1,...,headh) MultiHead(Q, K, V) = Concat(head_1,...,head_h)MultiHead(Q,K,V)=Concat(head
1
​
,...,head
h
​
)
多头注意力机制，只是多做几次同样的事，然后把结果拼接。

1.3 Position Embedding
Position Embedding,将每个位置编号，每个编号对应一个向量，这样，Attention可以分辨出不同位置的词了。

Position Embedding:
⎧⎩⎨⎪⎪PE2i(p)=sin(p/100002i/dpos),PE2i+1(p)=cos(p/100002i/dpos) \left\{\begin{array}{lr}PE_{2i}(p) = sin(p/10000^{2i/d_{pos}}), & \\PE_{2i+1}(p) = cos(p/10000^{2i/d_{pos}}) & \end{array}\right.{
PE
2i
​
(p)=sin(p/10000
2i/d
pos
​

),
PE
2i+1
​
(p)=cos(p/10000
2i/d
pos
​

)
​

​

p,代表位置； i,代表维度；
使用这个公式，在于这个能更好表示相对位置。
由
sin(α+β)=sinαcosβ+sinβcosα sin({\alpha} + {\beta}) = sin{\alpha} cos{\beta} + sin{\beta} cos{\alpha}sin(α+β)=sinαcosβ+sinβcosα ，
cos(α+β)=cosαcosβ−sinαsinβ cos(\alpha + \beta) = cos{\alpha}cos{\beta} - sin{\alpha}sin{\beta}cos(α+β)=cosαcosβ−sinαsinβ
位置可以由两个位置之间的线性变换得到。

2 实践
import numpy as np
encoder = np.transpose([[3,12,45], [59,2,5], [1,43,5], [4,3,45.3]])
decoder = np.array([0.5, 0.1, 2])

#Score Matrix
def score(encoder, decoder):
return np.dot(np.transpose(encoder),decoder)

scoreMatrix = score(encoder, decoder)

#softmax score matrix
def softmax(x):
# x = np.array(x, dtype = np.float128)
print(np.exp(x))
print(np.sum(np.exp(x)))
return np.exp(x)/np.sum(np.exp(x), axis = 0)
scoreSoftmax = softmax(scoreMatrix)

#multiply with encoder matrix
def multiply(x, weight):
return np.multiply(x, weight)

weightEncoder = multiply(encoder, scoreSoftmax)

#get Attention Vector
def attentionVec(x):
return np.sum(x, axis = 1)
att_vec = attentionVec(weightEncoder)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
reference:

Attention is all you need;
bojone Attentionn;
RNN 中的Attention;
attention kaggle;
公众号大数据文摘 transformer介绍；
英文blog，非常详细，5是其译文；
---------------------
作者：rosefun96
来源：CSDN
原文：https://blog.csdn.net/rosefun96/article/details/84930540
版权声明：本文为博主原创文章，转载请附上博文链接！