跟着问题学18——transformer模型详解及代码实战（3）Encode编码器

news2025/2/28 6:41:19

跟着问题学18——transformer模型详解及代码实战（1）

跟着问题学18——transformer详解(2)多头自注意力机制-CSDN博客

2.3 残差连接

通过自注意力层我们挖掘提取了原始数据的特征，但编码层中会有多个编码器，这会导致网络层数的加深，进而出现梯度消失/爆炸或者网络退化问题，因此，作者在每个自注意力层上引入了ResNet网络的残差结构，并使用了层正则化方法，增强网络的鲁棒性。

在论文中的框架中表示如下图：

用向量可视化的话，如下图:

其中Add代表了Residual Connection，是为了解决多层神经网络训练困难的问题，通过将一部分的前一层的信息无差的传递到下一层，可以有效的提升模型性能——因为对于有些层，我们并不确定其效果是不是正向的。加了残差连接之后，我们相当于将上一层的特征信息X走两条路，一条路通过自注意力层进行变换输出Z，另一条路直接把X传入下一层，再将这两部分的结果进行相加作为下一层的输入。这样的话，其实可以达到这样的效果：我们通过残差连接之后，就算再不济也至少可以保留上一层的信息，这是一个非常巧妙的思路。具体可参考前面讲解的ResNet网络模型。

2.4 层归一化Layer normalization

经过残差连接结构后，特征向量还不是直接传递给下一层网络，而是又经过了正则化处理。正则化Normalization有很多种，但是它们都有一个共同的目的，那就是把输入特征转化成均值为0方差为1的数据。我们在把数据送入激活函数之前进行normalization（正则化），得到的值大部分会落入非线性函数的线性区，导数远离导数饱和区，避免了梯度消失和梯度爆炸，这样来加速训练收敛过程。归一化技术就是让每一层的分布稳定下来，让后面的层能在前面层的基础上“安心学习”。

正则化目前使用广泛的有2种，一是批正则化 batch normalization，二是层正则化layer normalization，transformer模型（更大点说NLP任务）多是使用层正则化，下面介绍一下二者的区别。

2.4.1批正则化 batch normalization

batch normalization是对一批样本的同一纬度特征做正则化。如下图我们想根据这个batch中的三种特征（身高、体重、年龄）数据进行预测性别，首先我们进行归一化处理，如果是Batch normalization操作则是对每一列特征进行归一化，如下图求一列身高的平均值。

BN特点：强行将数据转为均值为0，方差为1的正态分布，使得数据分布一致，并且避免梯度消失。而梯度变大意味着学习收敛速度快，能够提高训练速度。

2.4.2 层正则化layer normalization

而layer normalization是对单个样本的所有维度特征做正则化。如下表中，如果是Layer normalization则是对每一行（该条数据）的所有特征数据求均值。

2.4.3Transformer为什么用Layer Normalization

从操作上看：BN是对同一个batch内的所有数据的同一个特征数据进行操作；而LN是对同一个样本进行操作。

从特征维度上看：BN中，特征维度数=均值or方差的个数；LN中，一个batch中有batch_size个均值和方差。

如在NLP中上图的C、N、H,W含义：

N：N句话，即batchsize；

C：一句话的长度，即seqlen；

H,W：词向量维度embedding dim。

BN不适合RNN、transformer等序列网络，不适合文本长度不定和batchsize较小的情况，适合于CV中的CNN等网络；

而LN适合用于NLP中的RNN、transformer等网络，因为sequence的长度可能是不一致的。

栗子：如果把一批文本组成一个batch，BN就是对每句话的第一个词进行操作，BN针对每个位置进行缩放就不符合NLP的规律了。而LN则是对一句话的所有词进行操作。

2.5前馈神经网络

编码器中经过自注意力层，残差连接以及层正则化处理后，接下来就是要把挖掘处理后的特征输入到前馈神经网络。

前馈网络层FeedForward又对特征做了什么处理呢？前馈网络层做了两次线性变换和一次ReLU激活函数（代码中还有一次dropout），更加深入的提取特征。

前馈全连接层（feed-forward linear layer）基本上就是一堆神经元，每个神经元都与其他神经元相连接。

请看下图，其中a、b、c和d是神经元。这些神经元包含了一些 input（即一些我们想要理解的数据（像素值（pixels）、词嵌入（word embeddings）等））。它们与编号为1的神经元相连。每两个神经元之间的连接都有不同的连接权重值（connection strength）。例如，a-1是0.1，b-1是0.2，等等。具体可以参考前面介绍的传统神经网络。

实际上，左列中的所有神经元都与右列中的所有神经元相连。但是为了清晰起见，我没有在图像中展示全部的连接，你需要了解这一情况。就像图中有a-1一样，还应该有a-2、b-2、c-2、d-3等。两个神经元之间的每个连接都有不同的“连接权重”。

尽管全连接层（Fully connected layers）的使用非常广泛，但也存在一个很大的缺点——它们是线性层（linear layers），只能进行线性变换和线性计算。全连接层可以进行加法和乘法运算，但无法以“创造性”的方式转换输入（input）。有时候，仅仅增加计算量是不够的，需要以完全不同的思考方式来解决问题。

激活函数能够帮助我们进行非线性变换（non-linear transformation）。例如，将一个数字列表[1, 4, -3, 5.6]转换为概率分布，就是Softmax激活函数的作用。该激活函数能够将这些数字转换为[8.29268754e-03, 1.66563082e-01, 1.51885870e-04, 8.24992345e-01]这样的输出。这5个数字相加等于1。虽然这些数字看起来有些混乱，但 e-03 表示第一个数字（8）在小数点后3个零开始（例如0.00，然后是82926。实际上该数字是0.00829268754）。这个Softmax激活函数将整数转换为0到1之间的浮点数，转换后的浮点数仍然保持了原始整数之间的相对大小关系。这种保持相对大小关系的特性在统计学中非常有用。

还有其他类型的激活函数，其中最常用的之一是ReLU（修正线性单元）。这是一种非常简单（同时也非常有用）的激活函数，它能够将任何负数转化为0，而非负数保持不变。非常简单且实用。如果我将列表[1, -3, 2]输入ReLU函数，会得到[1, 0, 2]。

所以前馈网络层的作用是：通过线性变换，先将数据映射到高纬度的空间再映射到低纬度的空间，提取了更深层次的特征。如图：