摘要

• The dominant sequence transduction models 显性序列转换模型。
• complex recurrent 复杂的递归。
• convolutional neural networks 卷积神经网络。
• an encoder and a decoder 编码器和解码器。
• The best performing models性能最佳的模型
• the encoder $\to$ an attention mechanism$\to$ decoder。
• a new simple network architecture： 新的简单的网络架构。
• , the Transformer :完全基于注意力机制：
• recurrence and convolutions 免除了递归和卷积。
• Experiments on two machine translation tasks: 两个机器翻译任务上的实验表明：
• 这些模型能够在质量上最优和要求并行化 在训练时间上所需的时间更少。
• WMT 2014 Englisht-o-German translation task： 2014年WMT英德翻译任务上，
• the existing best results 现有的最佳结果。
• BLEU
• On the WMT 2014 English-to-French translation task
• eight GPUs 八块GPU上。
• a new single-model :一个新的单模型。
• state-of-the-art BLEU score：最先进的BLEU scores.
• a small fraction of the training costs 培训成本的一个小部分。
• the literature 文献中。
• English constituency parsing :英语选民分析。
• large and limited training data：大量有限训练数据。

介绍

• Recurrent neural networks:递归神经网络
• long short-term memory 长短时记忆。
• gated recurrent 门控递归
• neural networks 神经网络
• firmly 牢固地。
• state of the art approaches in sequence modeling and transduction problems最先进序列模型的方法转换问题。
• language modeling and machine translation: 语言模式和机器翻译。
• Numerous efforts：无数的努力
• recurrent language models 循环语言模型
• encoder-decoder architectures：编解码器架构。
• Recurrent models typically factor computation along the symbol positions of the input and output sequences：
• 训练模型通常沿输入输出序列的符号位置进行计算。
• Aligning the positions to steps in computation time 将计算时间内的位置与步骤对齐。
  (隐藏状态） （先前的隐藏状态）
• generate a sequence of hidden states $h_t$.
• a function of the previous hidden state $h_{t-1}$
• the input for position $t$
• at longer sequence lengths. (更长的序列长度）
• memory constraints 内存约束。
• batching across examples 跨示例批处理。
• factorization tricks 因式分解。
• conditional computation 条件计算：模型压缩的一个子方向。
• sequential computation 连续计算
• compelling：引人注目。
• with regrad to 不考虑。
• eschewing recurrence 避免复发。
• eight P100 GPUs. 八个P100GPUS.

背景

• the Extended Neural GPU $GPU图形$
• ByteNet
• ConvS2S
• convolutional neural networks： 作为基础的构建模块。
• computing hidden representations in parallel for all input and output positions
• 在所有输入和输出位置上并行的计算隐藏层表示。
• two arbitrary input or output positions 两个任意输入输出位置。
• linearly for ConvS2S and logarithmically for ByteNet
• albeit 尽管。
• averaging attention-weighted positions, 平均注意力权重位置。
• counteract 抵消。
• Multi-Head Attention 多头注意力机制 in section 3.2.
• Self-attention 自注意力机制。
• reading comprehension 阅读理解。
• abstractive summarization 抽象总结。
• textual entailment： 文本蕴涵：两个文本片段有指向关系。
• task-independent sentence representations：任务依赖句子表示。
• End-to-end memory networks： 端到端的记忆网络。
  （基于循环注意力机制：a recurrent attention mechanism）
• • simple-language question answerin ： 简单的语言问答系统。
• simple-language question answerin 语言模型任务。
• To the best of our knowledge 据我们所知。

模型架构

Most competitive neural sequence transduction models： 最具有竞争力的神经序列转换模型。
an encoder-decoder structure 编码和解码架构。

• the encoder:
  maps an input sequence of symbol representation:
  $$(x_1,x_2,\cdots x_n)$$
• a sequence of continuous representations
  $$z=(z_1,\cdots ,z_n)$$ Given z：
• the decoder then generates an output sequence:
  $$(y_1,\cdots ,y_n)$$
• At each step the model is auto-regressive.
• 在生成下一个时，先前的符号作为一个额外输入。tha additional input.
• Transformer: stacked self-attention 堆积自我注意力。
• Point-wise 按照点操作属性和规则的集合。
  fully connected layers: 全连接层。
  

Encoder and Decoder Stacks

Encoder

• a stack of $N=6$ idential layers.
• Each layer has two sub-layers.

分别为：

• a multi-head self-attention mechanism

• a simple position-wise fully connected feed-forward network.

• a multi-head self-attention mechanism （残差链接）： around each of the two sub-layers. followed by layer normalization

• the output of each sub-layer is layerNorm,:
  $$layerNorm(x+Sublayer(x))$$

• $$Sublayer(x)$$

• is the function implemented by the sub-layer itself.
  为了促进这些残差链接，模型中的所有的副层，还有嵌入层产生
  $$d_{model}=512$$的产出维度。

Decoder

• a stack of $N=6$ idential layers. (相同图层）

Attention

• An attention function can be described as mapping a query and a set of key-value pairs to an output,
• the query,keys,values and output are all vectors.
• The output is a weighted sum of the values.(值的权重和）
• 计算每个值得权重：使用一个函数，通过相应得键进行查询。
• 

Scaled Dot-Product Attention

我们成为特别关注：Scaled Dot-Product Attention.

• input: queries and keys of dimension $d_k$.

• values of dimension $d_v$

• 我们计算the dot prodcuts of the query with all keys.

• divide each by $\sqrt{d_k}$

• apply the softmax function to obtain the weights on the values.

• 我们计算这个输出矩阵为 as :
  $$Attention(Q,K,V)=softmax(\frac{Q{K}^T}{\sqrt{d_k}})V$$

• the scaling factor 比例因子：$\frac{1}{\sqrt{d_k}}$

add

• additive attention
• the compatibility function using a feed-forward network with a single hidden layer.
• dot-product 在实践中，是更快得和空间更加有效性的。

Multi-Head Attention

• a single attention function with $d_{model}$-dimensional keys,values,and quies.
• 产生输出值为$d_v$-dimensional output values.

$$MultiHead(Q,K,V)=Concat(hea{d}_1,\cdots ,hea{d}_h)W^O$$

where $hea{d}_i$ = Attention(Q$W_i^Q$,K$W_i^K$,V$W_i^V$)

Applications of Attention in our Model

![在这里插入图片描述](https://img-blog.csdnimg.cn/d26ad98c3b254843a53a240db2a198b4.png

Position-wise Feed-Forward Networks

$$FFN(x)=max(0,x{W}_1+b_1)W_2+b_2$$

• the linear transformations are the same across different positions
• use different parameters from layer to layer.
• as two convlutions with kernel size 1.
• 输入和输出的维度是$d_{model}=512$
• the inner-layer has dimensionality $d_{ff}$ = 2048

Embeddings and Softmax

• other sequence transduction models 序列转换模型
• use learned embedding to convert the input tokens and output tokens to vectors of dimension $d_{model}$
• the usual learned linear transformation and softmax function to convert the decoder output to predicted next-token probabilities
• share the weight matrix between the two embedding layers and the pre-softmax linear transformation.

Positional Encoding

• sine and cosine functions of different frequencies:
  
  $pos$ is the position. $i$ is the dimension.

Why Self-Attention

• a recurrent layer requires $O(n)$sequential operations,

Training

Training Data and Batching

• the standard WMT 2014 English-German dataset
• 4.5 million sentence pairs.
• . Sentences were encoded using byte-pair encoding .
• approximate sequence length 最大化序列长度。
• source tokens 源词和target tokens 目标词。

Hardware and Schedule

• 训练模型：8 NVIDIA P100 GPUs

Optimizer

• the Adam optimizer
  

Regularization

• Residual Dropout
• Label Smoothing

Results

Machine Translation

• On the WMT 2014 English-to-German translation task
• On the WMT 2014 English-to-French translation task
• the sustained single-precision floating-point capacity of each GPU

• 持续每个GPU的单精度浮点容量。

Model Variations

慢慢的将模型变体，啥的全部都将其搞定，研究透彻，研究彻底。慢慢的将这个研究透彻，研究的相当好都行啦的理由。

Transfomrer的输入

Transformer中单词的输入表示$x$由单词Embedding和位置Embedding（Poxitional Encoding）相加得到。

单词Embedding

单词的Embedding有很多方式可以获取，例如可以采用Word2Vec、Glove等算法预训练得到，也可以在Transformer中训练得到。

位置Embedding

Transformer中除了单词的Embedding，还需要使用位置Embedding表示单词出现在句子中的位置。 因为Transformer不采用RNN的结构，而是使用全局信息，不能利用单词的顺序信息，而这部分信息对于NLP来说非常重要。所以，Transformer中使用位置Embedding保存单词在序列中的相对或绝对位置。
（位置Embedding 保存单词在序列中的相对或绝对位置）
位置Embedding用PE来表示，PE的维度与单词Embedding是一样的，PE可以通过训练得到，也可以使用某种公式计算得到，在Transformer中采用了后者，位置Embedding的计算公式如下：

$pos$ 表示单词在句子中的位置。
$d$表示PE的维度。

自注意力机制

• Encoder block
• Decoder block
• Multi-Head Attention
• Add:表示残差链接：用于防止网格退化。
• Norm表示Layer Normalization： 用于对每一层的激活进行归一化。
• 

总结

慢慢的将$transformer$框架都给其搞透彻，将其研究彻底，研究透彻。
后面开始在开始研究代码，将代码运行一波，然后开始慢慢的将其搞定都行啦的回事与打算。慢慢的将代码给其研究彻底。研究透彻！