Transformer回顾+理解

Transformer采用自注意力机制，与一般注意力机制计算分配值的方法基本相同，原理可参考
https://blog.csdn.net/weixin_43421371/article/details/124623933?spm=1001.2014.3001.5501
只是！Query的来源不同，一般AM中的query来源于目标语句，而self-AM的query来源于源语句本身。

Encoder模块中自注意力机制计算步骤如下：

1. 把输入单词转换为带时序信息的嵌入向量 x（源单词的词嵌入 + 对应的Position Encoding）；
2. 根据嵌入向量 x 生成 q、k、v 三个向量（即query、key、value）；
3. 根据 q ，计算每个单词点积后的得分：score = q 点乘 k ；
4. 对 score 进行规范化、Softmax 处理，假设结果为a（权重矩阵）；
5. a 与对应的 v 相乘，然后累加得到当前语句各单词之间的自注意力 z。

例子：

各嵌入向量的维度一般较大（上图为512），q、k、v 的维度比较小，一般使其维度满足：嵌入向量维度 / h（上图中为8）。
实际计算过程中得到的score可能比较大，为保证计算梯度时不影响稳定性，进行归一化操作，上图除以8。

Q、K、V 从哪来？？

Q、K、V 都是从同样的 输入矩阵X 线性变换而来的。在实际训练过程中，Q、K、V都是一个dense层，通过反向传播学习得到（更新矩阵值）。
简单理解一下：


结合上图。输入X分别乘以三个矩阵，生成Q、K、V。
$W^Q$、 $W^K$、 $W^V$是三个可训练的参数矩阵。Attention不直接使用X ，而是使用经过矩阵乘法生成的这三个矩阵Q、K、V，使用三个可训练的参数矩阵，可增强模型的拟合能力。

缩放点积注意力（整体计算流程）：

Mask表示掩码，用于遮掩某些值，使其在参数更新时不产生效果。Transformer中涉及两种掩码方式：

• Padding Mask
  用于处理长短不一的语句，即对齐（用在Encoder中）
  短序列后填充0，长序列截取左边多余内容舍弃。
  具体做法：给这些位置的值加上一个非常大的负数，这样经过Softmax计算后，这些位置的概率就会接近0。联想一下代码中的 masked_fill()。
• Sequence Mask
  只会用在Dencoder的自注意力中，用于防止Decoder预测目标值时看到未来的值。
  对于一个序列来说，decode输出应该只能依赖于 t时刻 之前的输出，而不能依赖于 t 之后的输出。所以要把 t 之后的输出隐藏起来。
  具体做法：生成一个上三角矩阵，使上三角的值全为0，然后让序列乘以这个矩阵。
  实现代码：

def subsequent_mask(size):
    attn_shape = (1, size, size)
    subsequent_mask = np.triu(np.ones(attn_shape), k=1).astype('uint8')
    # np.triu(m, k)——返回函数的上三角矩阵，参数k：表示从第几条对角线起保留数据，0是主对角线；正值是主对角线往上数，负值是主对角线往下数
    return torch.from_numpy(subsequent_mask) == 0

a = subsequent_mask(6)[0]
print(a)

结果：

tensor([[ True, False, False, False, False, False],
        [ True,  True, False, False, False, False],
        [ True,  True,  True, False, False, False],
        [ True,  True,  True,  True, False, False],
        [ True,  True,  True,  True,  True, False],
        [ True,  True,  True,  True,  True,  True]])

Process finished with exit code 0

观察上面的结果，第一行只有第一列是True，代表时刻1只能关注输入1；第二行说明时刻2关注{1, 2}而不关注{4, 5, 6}的输入。

对于Decoder的自注意力，需要同时使用Padding Mask和Squence Mask作为attn_mask，然后将两个mask相加作为attn_mask。其他情况下，attn_mask一律等于Padding Mask。

多头注意力机制

三个方面提升性能：
（1）扩展模型专注于不同位置的能力；
（2）将缩放点积注意力过程做h次，再把输出合并起来；
（3）为注意力层提供了多个“表示子空间”。

对于同样的输入X，定义多组不同的 $W^Q$、$W^K$、 $W^V$，每组分别计算不同的 Q、K、V，最后学习到不同的参数。
原始论文中初始化了8组矩阵，最终得到8个 $Z_i$（$Z_0$ 到 $Z_7$），在输出到下一层之前，把这8个 $Z_i$拼接到一起得到 $Z$，然后将 $Z$ 与初始化的矩阵 $W^0$ 相乘（降维）得到最终输出值。

在Decoder中，Encoder-Decoder Attenrion Layer中，Q来自Decoder的上一个输出，K和V来自Encoder最后一层的输出，计算过程与自注意力相同。
可以看出，自注意力机制没有前后依赖关系，可以基于矩阵进行高并发处理，另每个单词的输出与前一层各单词的距离都为1，所以不存在梯度消失。

Transformer的Encoder组件和Decoder组件分别有6层，在某些应用中可能会有更多层。层数增加，网络容量变大，能力也更强，但如何克服网络收敛速度变慢，梯度消失等问题??

解决网络收敛速度变慢，梯度消失

1. 残差连接Residual Connection

左边为普通结构，右边为残差连接结构。
残差连接指的就是将 浅层的输出 和 深层的输出 求和 作为下一阶段的输入，这样做的结果就是本来这一层权重需要学习是一个对 $x$ 到 $f(x)$ 的映射。那使用残差连接以后，权重需要学习的映射变成了从 $x$ —> $f(x)-x$，这样在反向传播的过程中，小损失的梯度更容易抵达浅层的神经元。

2. 归一化Normalization（有LayerNorm 和 BatchNorm 建议观看沐神视频）
层规范化是基于特征维度进行，对单个batch进行归一化，批量规范化是对所有batch进行归一化。虽然BatchNorm在CV中应用广泛，但在NLP（X通常是变长序列）中，LayerNorm效果较好。

具体实现方法：在每个Encoder或Decoder的两个子层（Self-Attention 和 FFNN）间增加残差连接和归一化组成的层。

使用ResNet 和 LayerNorm实现AddNorm类：

class AddNorm(nn.Module):
    """残差连接后进行层规范化"""
    def __init__(self, normalized_shape, dropout, **kwargs):
        super(AddNorm, self).__init__(**kwargs)
        self.dropout = nn.Dropout(dropout)
        self.ln = nn.LayerNorm(normalized_shape)
        
    def forward(self, X, Y):
        return self.ln(self.dropout(Y) + X)
        
add_norm = AddNorm([3, 4], 0.5)
print(add_norm)
b = add_norm(torch.ones((2, 3, 4)), torch.ones((2, 3, 4)))
print(b)
print(b.shape)

残差连接要求两个输入形状相同，以便加法操作。
输出结果：

AddNorm(
  (dropout): Dropout(p=0.5, inplace=False)
  (ln): LayerNorm((3, 4), eps=1e-05, elementwise_affine=True)
)
tensor([[[-0.5773, -0.5773, -0.5773,  1.7320],
         [-0.5773, -0.5773, -0.5773, -0.5773],
         [ 1.7320,  1.7320, -0.5773, -0.5773]],

        [[-1.0000, -1.0000,  1.0000, -1.0000],
         [ 1.0000,  1.0000, -1.0000, -1.0000],
         [ 1.0000,  1.0000,  1.0000, -1.0000]]],
       grad_fn=<NativeLayerNormBackward0>)
torch.Size([2, 3, 4])

Process finished with exit code 0

Transformer是Seq2Seq架构。因此基于Transformer的模型可以分为三大类：

• Encoder-only：BERT家族
• Decoder-only：GPT家族
• Encoder-Decoder：BART / T5家族

对于Encoder-only，预训练任务就是 破坏一个句子，然后让模型去预测或填补（MLM、NSP）。比较适合进行文本表示，做文本分类、实体识别、关键信息抽取等。

对于Decoder-only，预训练任务是Next word prediction（又称Causal language modeling）。因为decoder在训练时无法看到全文，只能看到前面的信息，所以适合做文本生成任务。

对于Seq2Seq架构，包含了Encoder和Decoder，预训练目标是融合各自的目标，但通常会再设计一些更复杂的任务，比如 T5，会把一句话中一片区域的词都mask掉，然后让模型进行预测。适合需要根据给定输入生成输出的任务，翻译、对话等。