Transformer从零详细解读

一、从全局角度概况Transformer

​ 我们把TRM想象为一个黑盒，我们的任务是一个翻译任务，那么我们的输入是中文的“我爱你”，输入经过TRM得到的结果为英文的“I LOVE YOU”

​ 接下来我们对TRM进行细化，我们将TRM分为两个部分，分别为Encoders（编码器）和Decoders（解码器）

​ 在此基础上我们再进一步细化TRM的结构：

​ 这里不一定是6个encoder和6个decoder，但是每个encoder之间的结构都是相同的，但是参数上并不相同，在训练的时候并不是只训练一个encoders，而是每个encoders都在训练。
​ 我们再看一下TRM原论文中的结构图：

​ N是自己确定的数字，encoders和decoders之间的结构很不相同。

二、位置编码详细解读

​ 我们将encoder部分提取出来看，我们将encoder分为以下三个部分：

​ 我们先看输入部分，输入部分分为：

1. Embedding

   

   ​ embedding的操作方法就是：假如现在输入12个字，每个字用一个512维度的向量表示，那么这12个字展开后就是一个12*512的二维矩阵。矩阵的每个位置有两种初始化方式，一种是随机初始化，另一种是wordtovector方式。

2. 位置编码

   ​ 我们从RNN结构来引入位置编码：
   

   ​ 对于RNN的所有的timesteps都共享同一套参数（U,W,V），例如右图上的“我”，“爱”，“你”在展开以后，使用的都是同一套参数（U,W,V）。

   ​ 面试题：RNN的梯度消失和普通网络的梯度消失有什么区别？
   RNN的梯度是一个总的梯度和，它的梯度消失并不是变为0，而是总的梯度被近距离梯度主导，被远距离梯度忽略不计。

1.位置编码公式：

​ 2i代表偶数，在偶数位置使用sin，在2i+1奇数的位置使用cos，就比如我爱你中的爱这个字，进行展开，其中的偶数位置使用sin表达式，奇数位置使用cos表达式。得到展开式以后：

​ 我们把字向量他们原本位置上的值与他们的位置编码相加，得到一个最终的512的维度的向量，作为TRM的输入。

2.为什么位置编码是有用的

​ 我们看下图中的推导，正余弦位置函数，这个体现出的是一种绝对位置信息。

​ 以“我 爱 你”为例，pos+k 代表“你”，pos代表“我”，k代表“爱”，也就是说，“我爱你”中的“你”，可以被“我”和“爱” 线性组合起来，这样的线性组合就意味着绝对的位置向量中蕴含了相对位置信息。但是这种相对位置信息会在注意力机制那里消失。

三、多头注意力机制

1.基本的注意力机制

​ 我们看下图：

​ 我们在看一张图的时候，一张图像总有一些部分是我们特别关注的地方。我们想通过一种方式得到“婴儿在干嘛”这句话 与图像中的哪部分区域更加关注/相似，这就是注意力机制的一种形式。

​ 计算公式：

​ 我们举一个例子，就拿上面的例子为例，我们通过计算来判断下“婴儿在干嘛”这句话与图片中的哪部分区域更加相似，看下图：

我单抽出婴儿这个单词，我们将区域分为四个部分，我们将“婴儿”作为q向量，四个区域分别对应K向量，和他们各自的V向量。我们判断“婴儿”与四个区域点乘的结果哪个是最大的，最大就代表了最相似。

​ 我们再举一个词与词的例子：

​ 我们的计算步骤如下图：

​ 在只有单词向量的情况下，如何获取QKV

​ 简单来说就是x1与WQ得到q1，，，行列分别相乘。

2.计算QK相似度，得到attention值

​ 为什么要除以根号dk，q与k相乘值很大，softmax在反向传播的时候值很小，梯度会消失。在实际代码使用矩阵，方便并行。

3.多头注意力机制

​ 多头，相当于把原始数据打到了多个不同的空间，保证TRM捕获到不同空间中的多种信息。

​ 最后，我们将多套QKV计算得到的 结果通过一次矩阵计算进行合并，这样就可以得到我们多头注意力的输出。

四、残差详解

1.什么是残差网络

​ 残差的原则就是输出至少不比输入差！多进行一个加法操作。

​ 我们可以再看一个很经典的图：

2.残差网络的数学推导

五、Batch Normal详解

​ BN的效果差，所以不用。再nlp中，很少使用BN，大多使用LN。

1.什么是BN，以及使用场景

​ 我们看下面一张图：

​ 每一行代表一个特征，每个人的“体重，身高”等指标，每个人的第一个特征都是“体重”。x1，x2分别代表不同的人。

2.BN的优点

1. 可以解决内部协变量偏移
2. 缓解了梯度饱和问题（如果使用sigmoid激活函数的话），加快收敛

3.BN的缺点

1. batch_size较小的时候，效果差，局部的方差并不能代表全局
2. BN再RNN中效果差，我们看下面的例子：前9个句子只有5个向量，但是第10个句子的长度达到20个向量的，这样导致第6到20维无法做BN，从而导致BN在RNN的处理中效果差
   

六、Layer Normal详解

1.如何理解LN

​ 理解：为什么LayerNorm单独对一个样本的所有单词做缩放可以起到效果。

​ 我们如果把BN引申到RNN，下面这张图则表示“我”和“今”是同一层的语义信息，，，“爱“和”天“是一层语义信息里面。

​ 而在LN中，我们认为这两段话每段话都是分别的一个语义信息。

2.前馈神经网络

七、Decoder详解

1.多头注意力机制

2.为什么需要mask

​ 如果我们没有mask去训练的时候，我们在训练you的时候，所有的单词都对you做出了贡献。这样会导致训练和预测是不对等的。

​ 正确的做法是：

3.交互层

​ 我们再来看一下交互层，在交互层我们需要注意的是encoder的输出需要和每一个decoder做交互。

​

​