15.transformer全解

这篇具有很好参考价值的文章主要介绍了15.transformer全解。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。


欢迎访问个人网络日志🌹🌹知行空间🌹🌹文章来源地址https://www.toymoban.com/news/detail-434594.html


1.基础介绍

论文:Attention Is All You Need

这是Google2017年06月份发表的文章,在这篇文章中作者提出了后来对CV和NLP都产生了影响很大的Transformer网络结构,成为继MLPRNN后又一倍受关注的基础模型。用于序列化数据的学习以输出序列化的预测结果,如应用在NLP领域。Transformer最早的提出就是应用在机器翻译领域,在WMT2014 英语翻译成德语的任务上,BLEU指标达到了28.4,比之前的SOTA提升了2个点。Transformer中使用多头注意力层替换了之前序列转录模型中使用循环神经网络单元。

图片来自于1
15.transformer全解

在RNN中,如上图,要计算 h t h_t ht必须先计算 h t − 1 h_{t-1} ht1及其之前的所有输出,这导致模型的计算无法在时间上并行,导致运算效率比较低。此外,因时序信息是一步步向后传递的,因此对于序列早期的信息在后面的计算中有可能会丢掉,而存储 h t h_t ht当序列长度过长时又会占用过多的内存。而Transformer结构使用自注意力机制,使得模型能够进行并行化计算,提升训练速度。

2.网络结构

对于序列数据的学习,经典的结构就是编码-解码结构,编码器将输入序列 ( x 1 , x 2 , . . . , x n ) (x_1,x_2,...,x_n) (x1,x2,...,xn)映射成 ( z 1 , z 2 , . . . , z n ) (z_1,z_2,...,z_n) (z1,z2,...,zn),解码器以 z z z为输入得到 ( y 1 , y 2 , . . . , y m ) (y_1,y_2,...,y_m) (y1,y2,...,ym)作为输出,这里的输出过程是先输出 y 1 y_1 y1,再根据 y 1 y_1 y1输出 y 2 y_2 y2,再根据 y 1 , y 2 y_1,y_2 y1,y2再输出 y 3 y_3 y3,也称这种方式为自回归(auto-regressive)Transformer也是编码解码结构,其中编码解码模型都是由自注意力层和全连接层组成。其网络结构如下图:

15.transformer全解

如上图,编码器中的一个block由两个子层sublayer组成,分别是MultiHead Attension层和MLP层组成。MLP层中使用了残差结构,并使用了Layer Normalization,表示为 L a y e r N o r m ( x + S u b l a y e r ( x ) ) LayerNorm(x + Sublayer(x)) LayerNorm(x+Sublayer(x))

解码器中除了使用了于编码器中相同的两个子层外还引入了第三种子层Masked Multi-Head Attention层用于模型自回归的学习,保证在模型训练时t时刻不会看到 t t t时刻以后的序列信息,从而保证训练和预测的时候行为是一致的。

下面对上图中的各个组成单元分别进行介绍:

2.1 Input/Output Embedding

Embedding这个词字面意思表示嵌入,这里介绍,Embedding是将高维数据转换成低维数据,借此可将字词的稀疏向量进行向量化表示。常见的Embedding由自然语言处理中的word embedding,图神经网络中的node embedding等。在这篇文章中作者介绍了NLP中的Word Embedding

2.2 自注意力机制 self-attention

注意力函数可以看成是query值和key-value对到输出output的一个映射,query/key/value都是向量,outputvalue维度相同,outputvalue的加权和,每个value的权重通过计算querykey的相似度得到的,相似度的计算也被称为compatibility function,不同的注意力机制有不同的计算方法。

transformer中使用的querykey是等长的,维度都为 d k d_k dk,outputvalue的维度是 d v d_v dvtransformer中使用的querykey的相似度计算方式很简单,就是计算两个向量的内积再除以向量的维度,然后做softmax得到权重值。

实际计算中,会将多个query/key/value向量打包计算,写成矩阵的形式为:

A t t e n t i o n ( Q , K , V ) = s o f t m a x ( Q K T d k ) V Attention(Q,K,V) = softmax(\frac{QK^T}{\sqrt{d_k}})V Attention(Q,K,V)=softmax(dk QKT)V

这里因为有除以 d k \sqrt{d_k} dk ,因此被称为scaled dot product attention。之所以除以 d k \sqrt{d_k} dk 是为了当序列长度比较大的时候还能比较好的衡量querykey之间的相似度,减少尺度导致的误差变化。

15.transformer全解

多头注意力机制 Multi-Head Attention

将前面介绍的attention中的query/key/value通过可学习参数的线性变换投影h次,得到h个query/key/value函数,将每个函数的输出并到一起再经过线性投影得到最终的输出。

15.transformer全解

计算公式为:

M u l t i H e a d ( Q , K , V ) = C o n c a t ( h e a d 1 , . . . , h e a d h ) W O MultiHead(Q,K,V) = Concat(head_1,...,head_h)W^O MultiHead(Q,K,V)=Concat(head1,...,headh)WO
其中,
h e a d i = A t t e n t i o n ( Q W i Q , K W i K , V W i V ) head_i=Attention(QW_i^Q, KW_i^K,VW^V_i) headi=Attention(QWiQ,KWiKVWiV)

W i Q ∈ R d m o d e l × d k , W i K ∈ R d m o d e l × d k , W i V ∈ R d m o d e l × d v , W O ∈ R h d v × d m o d e l W_i^Q\in\mathbb{R}^{d_{model}\times d_k},W_i^K\in\mathbb{R}^{d_{model}\times d_k},W_i^V\in\mathbb{R}^{d_{model}\times d_v},W^O\in\mathbb{R}^{hd_{v}\times d_{model}} WiQRdmodel×dk,WiKRdmodel×dk,WiVRdmodel×dv,WORhdv×dmodel是线性投影的可学习参数。

从网络结构图中可以看到,在编码器中的注意力层和解码器的第一个注意力层,Q/K/V使用的是同一个输入,因此这种注意力机制被称为自注意力机制。

2.3 point-wise全连接层

普通的全连接层,其输入的shape:[N,C]其中,N表示的是样本的数量,C表示每个特征的维度,而point_wise全连接层的输入shape:[N,L,C]其中N表示的是样本的数量,L表示句子的长度,C表示的是单词的个数,然后每次全连接是作用在最后一个维度C上的。

pytorch中的nn.Linear函数在处理3dtensor时默认是作用在最后一维上的,可以写成下面形式:

fc = nn.Sequential(
        nn.Linear(512, 12),
        nn.ReLU(),
        nn.Linear(12, 28),
    )

t = torch.randn((3, 16, 512))
fc(t).shape
# torch.Size([3, 16, 28])

计算公式如下:

F F N ( x ) = m a x ( 0 , x W 1 + b 1 ) W 2 + b 2 FFN(x) = max(0, xW_1+b_1)W_2+b_2 FFN(x)=max(0,xW1+b1)W2+b2

2.4 位置编码 Position Encoding

前面介绍的attention中只是使用query/key的形式将输出表示成了value的加权和,这里没有输入序列的顺序信息,在RNN中是通过逐个词输出来学习序列信息的,而transformer中是将一个序列一次性输入到模型中,并没有序列中每个单词的信息,因此,这里引入位置编码来表示输入序列的时序信息,并将其作为模型的输入。

对于长度为L的输入序列,要标识每个单词的位置信息,一种方式是给每个位置生成一个唯一的表示位置的向量。transformer中使用如下的方式来计算输入序列的位置编码:

P E ( p o s , 2 i ) = s i n ( p o s / 1000 0 2 i / d m o d e l ) P E ( p o s , 2 i + 1 ) = c o s ( p o s / 1000 0 2 i / d m o d e l ) PE_{(pos, 2i)}=sin(pos/10000^{2i/d_{model}})\\ PE_{(pos, 2i+1)}=cos(pos/10000^{2i/d_{model}}) PE(pos,2i)=sin(pos/100002i/dmodel)PE(pos,2i+1)=cos(pos/100002i/dmodel)

其中, d m o d e l d_{model} dmodel表示的是位置向量的维度,和Input Embedding后得到的每个词的维度相同。 p o s pos pos表示长度为 L L L的序列中的第 p o s pos pos个单词, i i i表示位置向量 d m o d e l d_{model} dmodel维度上的第 i i i维。

使用pytorch实现的位置编码函数为:

import torch

def position_encoding(
    seq_len: int, dim_model: int, device: torch.device = torch.device("cpu"),
) -> Tensor:
    pos = torch.arange(seq_len, dtype=torch.float, device=device).reshape(1, -1, 1)
    dim = torch.arange(dim_model, dtype=torch.float, device=device).reshape(1, 1, -1)
    phase = pos / 1e4 ** (dim // dim_model)

    return torch.where(dim.long() % 2 == 0, torch.sin(phase), torch.cos(phase))

从上面的代码可以看到,Position Encoding没有使用需要学习的参数,只是手动设计了表示序列位置信息的编码方式。

3.输入处理过程示例

transformer用于翻译任务为例:

输入: x = I am cold

输出: y = 我冷

输入句子的dictionary中有3个词,则输入可以表示成:

word2index = {"I":0,"am":1,"cold":2}

输入句子的向量表示为:

x = [[[0],[1],[2]]

transformer中输入的处理主要有input embeddingposition encoding这两步,如下图:

15.transformer全解

对输入句子序列处理结束后将其输入到attention中进行处理,其处理过程如下图所示:

15.transformer全解

上图中 L L L表示的序列的长度, d k d_k dkattention中使用的权重的维度, d k d_k dk的大小决定了模型的大小。上图,只描述了Single Head的计算过程,对于Multi Head,使用多组 W Q , W K , W V WQ,WK,WV WQ,WK,WV进行计算,然后将计算得到的结果再进行concatenate即可。

上图描述了attention的计算过程,在attention之后的计算是point wise feed forward。其计算过程表示如下图:

15.transformer全解

可以看到这里的FFN是作用在输入样本序列的每个单词向量上的,与之前常见的FFN作用在整个样本上不同。

pytorch中的nn.Linear层处理3d向量时,默认作用在最后一维进行计算,因此可以将attention层输出的结果直接输入到nn.Linear中。

fc = nn.Sequential(
        nn.Linear(512, 12)
    )

t = torch.randn((3, 16, 512))
fc(t).shape
# torch.Size([3, 16, 12])

4.代码实现

使用pytorch实现的transformer可以将代码仓库。

  • 1.http://colah.github.io/posts/2015-08-Understanding-LSTMs/
  • 2.https://zhuanlan.zhihu.com/p/164502624
  • 3.https://www.bilibili.com/video/BV1pu411o7BE/?spm_id_from=333.337.search-card.all.click&vd_source=e75f432df49764db96371bce27ab9fd5

欢迎访问个人网络日志🌹🌹知行空间🌹🌹


到了这里,关于15.transformer全解的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • kafka全解

    Kafka传统定义 : Kafka是一个分布式的基于 发布/订阅模式 的消息队列(Message Queue),主要应用于大数据实时处理领域。 发布/订阅 :消息的发布者不会将消息直接发布给特定的订阅者,而是将发布的消息分为不同的类别,订阅者只接收感兴趣的消息。 Kafka最新定义 :Kafka是一

    2023年04月08日
    浏览(20)
  • 背包问题基础模型全解

    Acwing 2. 01背包问题 状态表示:二维 集合:只从前 (i) 个物品里面选择总体积 (leq j) 选法的集合 属性:选法价值的最大值 状态计算分为 放 (i) 和 不放 (i) (要不要把当前物品放进背包): 不放 (i) 意味着在前 (i-1) 个物品里面选,且总体积不超过 (j) 放 (i) 的话先来

    2024年02月13日
    浏览(26)
  • Rust 学习笔记 - 注释全解

    和其他编程语言一样,Rust 也提供了代码注释的功能,注释用于解释代码的作用和目的,帮助开发者理解代码的行为,编译器在编译时会忽略它们。 单行注释以两个斜杠 ( // ) 开始,只影响它们后面直到行末的内容。单行注释通常用于对代码行或代码块的短小说明。 多行注释

    2024年02月19日
    浏览(38)
  • Java集合全解【完整版】

    保存数据会经常使用到数组,但数组存在以下几个缺陷: 长度开始时必须指定,且一旦指定,不能更改; 保存的必须为同一类型的元素; 使用数组进行增加元素的步骤比较麻烦; 这个时候就需要用一个比数组要“高级的容器”来解决,这就是 集合 : 可以动态保存任意多个

    2024年02月12日
    浏览(23)
  • linux cp使用全解

    假设复制源目录 为 dir1 ,目标目录为dir2。 怎样才能将dir1下所有文件复制到dir2下了 cp -r dir1 dir2 即可。 cp -r dir1/. dir2 如果这时使用cp -r dir1 dir2,则也会将dir1目录复制到dir2中,明显不符合要求。 copy命令的功能是将给出的文件或目录拷贝到另一文件或目录中,同MSDOS下的copy命令

    2024年02月04日
    浏览(26)
  • Android修行手册 - VideoView全解-上

    往期文章分享 点击跳转=《导航贴》- Unity手册,系统实战学习 点击跳转=《导航贴》- Android手册,重温移动开发 本文约4.8千字,新手阅读需要9分钟,复习需要3分钟 【 收藏随时查阅不再迷路 】 众所周知,人生是一个漫长的流程,不断 克服困难 ,不断反思前进的过程。在这

    2024年02月01日
    浏览(42)
  • SkyWalking链路追踪中span全解

            在SkyWalking链路追踪中,Span(跨度)是Trace(追踪)的组成部分之一。Span代表一次调用或操作的单个组件,可以是一个方法调用、一个HTTP请求或者其他类型的操作。         每个Span都包含了一些关键的信息,如开始时间、结束时间、耗时、所属的Trace ID、Spa

    2024年02月16日
    浏览(37)
  • React Hooks 全解:零基础入门

    你还在为该使用无状态组件(Function)还是有状态组件(Class)而烦恼吗? ——拥有了hooks,你再也不需要写Class了,你的所有组件都将是Function。 你还在为搞不清使用哪个生命周期钩子函数而日夜难眠吗? ——拥有了Hooks,生命周期钩子函数可以先丢一边了。 你在还在为组件

    2024年02月11日
    浏览(23)
  • Go类型全解:常量与变量大全!

    本篇文章深入探讨了 Go 语言中类型确定值、类型不确定值以及对应类型转换的知识点,后续充分解析了常量与变量及其高级用法,并举出丰富的案例。 关注公众号【TechLeadCloud】,分享互联网架构、云服务技术的全维度知识。作者拥有10+年互联网服务架构、AI产品研发经验、

    2024年02月09日
    浏览(51)
  • 数据资产目录建设之数据分类全解

    01 数据治理 “ 洗澡论 ” 其实他们之前做过数据一轮数据资产盘点,做了一个分类,也挂到系统上了,但是后来就没有后来了。 治理做一半,等于啥也没干 。 我之前在群里开了一个玩笑,数据治理这种事情,就跟洗澡一样,首先得 勤快点洗 。一天不洗澡,身上就臭了。

    2024年02月14日
    浏览(33)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包