Transformer的学习

news2024/11/17 21:50:49

文章目录

Transformer
- 1.了解Seq2Seq任务
- 2.Transformer 整体架构
- 3.Encoder的运作方式
- 4.Decoder的运作方式
- 5.AT 与 NAT
- 6.Encoder 和 Decoder 之间的互动
- 7.Training

Transformer

1.了解Seq2Seq任务

NLP 的问题，都可以看做是 QA（Question Answering）的问题，QA 的问题可以看做是 Sequence to Sequence 的问题。

Sequence to Sequence 是一个常见的任务类型，例如：语音识别、语音翻译（语音辨识）、机器翻译、Chatbot、Text-to-Speech (TTS) Synthesis（文本到语音合成）、语法分析、多标签分类、目标检测等等。

Sequence to Sequence 任务可以由各种序列模型执行，其中 RNN 模型是经典的用于序列数据的模型，而随着 Transformer 的出现和成功，它已经在许多序列任务中取代了传统的RNN架构。

Transformer 实际上就是一个关于 Seq2Seq 的 model

2.Transformer 整体架构

整体架构分为两部分：Encoder 与 Decoder

3.Encoder的运作方式

Encoder 做的就是输入一个Vector sequence，输出一个Vector sequence.

Alt

Encoder的运作方式如下所示：

Encoder 里面是由多个 Block 组成的，经过多个 Block 的堆叠，最后得到一个Vector sequence.

每个 Block 所做的事情如下：对于输入的每一个 Vector sequence，首先通过 Multi-Head Attention 得到输出 $a$ ，然后通过残差连接得到 $a + b$ ，之后通过 Layer Norm 得到正则化后的Vector sequence，接着送到 Fully Connection layer，同样使用残差连接并使用 Layer Norm 得到 Encoder 的输出。

Alt

4.Decoder的运作方式

Decoder 可以分为：Decoder-Autoregressive(AT) 与 Decoder-Non-autoregressive(NAT)，在transformer中使用的是 Decoder-Autoressive.

Decoder 做了什么？

Decoder 部分首先输入一个 START，经过 Decoder 并且使用 Softmax 就会得到一个概率分布，然后对这个概率分布使用 max 得到概率最大的那个值（也就是one-hot编码）。

Alt

紧接着，将得到的输出作为输入，送入 Decoder ，不断的迭代这个过程，就得到了最后的输出。

Alt

在 Decoder 中用了一个 Masked Multi-Head Attention.

Alt

Masked Self-atttention 每次一个 vector 在输出的时候，不可以看右边的部分，也就是说在产生 $b^1$ 的时候不能在考虑 $a^2,a^3,a^4$ ，产生 $b^2$ 的时候不能考虑 $a^3,a^4$ ，产生 $b^3$ 的时候不能考虑 $a^4$ ，产生 $b^4$ 的时候就可以考虑全部的信息了。

Alt

具体细节如下图所示：

Alt

目前的这个 Decoder 运作机制不知道它应该什么时候停下来。

为了让其停下来，所以要有一个END的标记。

通过这个 END 的标记来让模型停下来。

5.AT 与 NAT

AT Decoder 传入的是一个 START，然后一个一个的进行输出。NAT Decoder 直接传入多个 START，同时输出。

NAT好处：平行化，一个步骤产生出完整的句子，可以控制输出的长度。（怎么控制？可能会有一个 classifier 来决定输出的长度；或者输入很多个 START，那么就会输出很多个输出，忽略 END 之后的输出）

6.Encoder 和 Decoder 之间的互动

Alt

Encoder 和 Decoder 之间的互动是通过 Cross attention 机制进行互动的。主要过程就是将 Decoder 中通过第一个 Masked Multi-Head Attention 以及 Add 与 Norm 后的 vector sequence 与 encoder 输出中的所有 vector sequence 进行 qkv 的计算。计算流程见下图：

①第一个输出的计算