Paper | Attention Is All You Need

目录

• 1. 动机详述
• 2. 相关工作
• 3. 转换器结构
  • 3.1 注意力机制详解
    • 3.1.1 放缩的点积注意力机制
    • 3.1.2 多头注意力机制
  • 3.2 全连接网络
  • 3.3 编码位置信息

【这是一篇4000+引用的文章。博主虽然不做NLP，但还是很感兴趣。当然，博主对本文的理解和翻译非常生涩】

动机：注意力机制很重要，现在的SOTA的NLP模型将编码器和解码器通过注意力机制连接在一起。

贡献：在本文中，作者提出了转换器（transformer）。该结构与循环和卷积网络无关，只与注意力机制有关。整体模型训练更快，更容易并行，效果最好。

1. 动机详述

当前的循环网络的逻辑 和 人类叙述的逻辑 一样，都是序列化的：运算是随着符号位置的推进而展开的，即\(t\)时刻的隐含状态\(h_t\)是 上一时刻隐含状态\(h_{t-1}\) 和 当前时刻输入 的函数。

但这种序列化逻辑有个缺点：不利于并行化。特别是当序列较长时，这种缺点被放大。

此时，注意力机制进入了作者的视野。注意力机制已经是很多 序列化建模任务 和 转换（transduction）模型 的不可或缺的部分，可以用来建模任意长距离的依赖关系。但是，这种注意力机制是和循环网络同时使用的。

本文提出的转换器，就是要让注意力模型跳出循环网络的框架。此时，转换器就具有了并行化能力。

2. 相关工作

已经有一些工作在尝试减少序列化计算量，如ByteNet和ConvS2S。它们的基础都是卷积神经网络。它们的共同问题：当序列长度增加时，运算量会线性增长或对数增长。

而转换器能做到：让运算量是一个固定的常数，尽管将损失一定性能。

自注意力机制：在单个序列内部，建立不同位置间的注意力机制，并用于建模该序列自身。

【端到端记忆网络：博主没看懂，也没去了解。】

作者声称，转换器是第一个 完全基于自注意力机制 的转换模型，而无需RNN或卷积结构。

3. 转换器结构

左边是编码器，右边是解码器。

如图左侧，编码器由6个相同的结构（\(N=6\)）组成，每个结构包含2层：1层多头注意力机制（橙色），1层是全连接网络（蓝色）。内部共有两处短连接和层归一化。所有层的输出都是\(d_k = 512\)维。

右侧是解码器。解码器也是由6个相同的结构组成，但每个结构多了一个多头注意力机制（中间那个）。这个模块是对编码器的输出执行的。此外，最下面那个多头注意力模块也被修改了：只对前面的输出执行自注意力机制，而与其后的输出无关。修改方式就是masked。

3.1 注意力机制详解

注意力机制的本质很简单：输入query和一组键-值对；输出被加权组合的值；权值通过query和键的兼容函数计算得到。

3.1.1 放缩的点积注意力机制

作者称提出的注意力机制为：放缩的点积注意力（scaled dot-product attention）。如图左：

query和key点乘，再除以根号下512（放缩），经过softmax后与value相乘，就完成了注意力加权流程。

实操中会将这个过程矩阵化，即先pack成矩阵\(Q\)、\(K\)和\(V\)，然后计算：
\[
\text{Attention} (Q, K, V) = \text{softmax} (\frac{Q K^T}{\sqrt{d_k}}) V
\]

除了这里用到的点积形式，还有一种常用的注意力策略：加性注意力。加性注意力（additive attention）只需要借助单层前向网络计算兼容函数。尽管理论上，加性注意力和点积注意力的计算复杂度接近，但由于矩阵操作有加速算法，因此点积注意力更高效。在性能上，当\(d_k\)较大时，点积注意力不如加性注意力。可能的原因是：当维度较高时，点积结果可能会很大（脚注4），因此softmax函数的梯度很小，导致训练困难。因此，我们将点积结果除以根号512。

3.1.2 多头注意力机制

我们总结一下上一节的放缩点积注意力机制：只有单个注意力函数，输入key和query，输出加权后的value。注意，输入、输出都是\(d_k = 512\)维。

除此之外，作者提出了更进一步的处理，如上图右：我们首先将value、query和key分别线性映射到\(d_k = 64\)、\(d_k\)和\(d_v = 64\)维，然后再通过上一节的注意力机制，处理得到\(d_v\)维的输出。该操作执行\(h = 8\)次，每一次的线性映射函数和注意力函数都不一样。最后，\(h\)个\(d_v\)维输出再经过一次线性映射，得到一个\(d_v\)维最终输出。这就是所谓的multi-head。

多头与之前的“单头”有什么进步呢？博主的想法：

1. 不仅仅是对key、query进行综合处理，还对key、query和value进行单独处理。可能有一些key和query天生就很不引人关注。

2. 执行了8次不同的“单头”，然后最终再加权组合每一次的结果。这实际上允许每一个注意力函数负责8个不同的表示空间。比如有的函数更注意主语，有的函数更注意动词等等。

3. 由于每一次“单头”的维度都降低了，因此总体运算量并没有提高。

我们再回到第一张图。在Transformer中，作者有3处用到多头注意力：

1. 编码器-解码器之间。query来自解码器的上一层，而key和value来自编码器输出。即：让解码器注意输入序列的每一个位置。这是典型的注意力机制。

2. 编码器。此时，key、value和query都来自于上一层。即：让该层注意上一层的每一个位置。

3. 解码器。此时，key、value和query都来自于上一层。即：让该层注意上一层的每一个位置。注意，我们不需要leftward的信息流，因此我们让相关的mask值为负无穷（完全无关）。

3.2 全连接网络

一个全连接网络包含两次映射，ReLU非线性化。输入、输出都是512维，隐含层维度是2048。

Embeddings不懂，不看了。

3.3 编码位置信息

由于Transformer不包含循环和卷积结构，因此我们要特别地编码位置信息。细节略。

其余部分略。

总的来说，谷歌一举打破了原来的固有模型：用RNN或CNN建模序列，而是直接用注意力机制建模序列。这种突破是本文最大的贡献。