详解 Transformer （Attention Is All You Need）

 

前言

注意力（Attention）机制[2] 由 Bengio 团队与 2014 年提出并在近年广泛的应用在深度学习中的各个领域，例如在计算机视觉方向用于捕捉图像上的感受野，或者 NLP 中用于定位关键 token 或者特征。谷歌团队近期提出的用于生成词向量的 BERT[3] 算法在 NLP 的 11 项任务中取得了效果的大幅提升，堪称 2018 年深度学习领域最振奋人心的消息。而 BERT 算法的最重要的部分便是本文中提出的 Transformer 的概念。

正如论文的题目所说的，Transformer 中抛弃了传统的 CNN 和 RNN，整个网络结构完全是由 Attention 机制组成。更准确地讲，Transformer 由且仅由 self-Attenion 和 Feed Forward Neural Network 组成。一个基于 Transformer 的可训练的神经网络可以通过堆叠 Transformer 的形式进行搭建，作者的实验是通过搭建编码器和解码器各 6 层，总共 12 层的 Encoder-Decoder，并在机器翻译中取得了 BLEU 值得新高。

作者采用 Attention 机制的原因是考虑到 RNN（或者 LSTM，GRU 等）的计算限制为是顺序的，也就是说 RNN 相关算法只能从左向右依次计算或者从右向左依次计算，这种机制带来了两个问题：

1. 时间片  的计算依赖  时刻的计算结果，这样限制了模型的并行能力；
2. 顺序计算的过程中信息会丢失，尽管 LSTM 等门机制的结构一定程度上缓解了长期依赖的问题，但是对于特别长期的依赖现象,LSTM 依旧无能为力。

Transformer 的提出解决了上面两个问题，首先它使用了 Attention 机制，将序列中的任意两个位置之间的距离是缩小为一个常量；其次它不是类似 RNN 的顺序结构，因此具有更好的并行性，符合现有的 GPU 框架。论文中给出 Transformer 的定义是：Transformer is the first transduction model relying entirely on self-attention to compute representations of its input and output without using sequence aligned RNNs or convolution。

遗憾的是，作者的论文比较难懂，尤其是 Transformer 的结构细节和实现方式并没有解释清楚。尤其是论文中的  ，  ，  究竟代表什么意思作者并没有说明。通过查阅资料，发现了一篇非常优秀的讲解 Transformer 的技术博客[4]。本文中的大量插图也会从该博客中截取。首先感谢 Jay Alammer 详细的讲解，其次推荐大家去阅读原汁原味的文章。

1. Transformer 详解

1.1 高层 Transformer

论文中的验证 Transformer 的实验室基于机器翻译的，下面我们就以机器翻译为例子详细剖析 Transformer 的结构，在机器翻译中，Transformer 可概括为如图 1：

图 1：Transformer 用于机器翻译

Transformer 的本质上是一个 Encoder-Decoder 的结构，那么图 1 可以表示为图 2 的结构：

图 2：Transformer 的 Encoder-Decoder 结构

如论文中所设置的，编码器由 6 个编码 block 组成，同样解码器是 6 个解码 block 组成。与所有的生成模型相同的是，编码器的输出会作为解码器的输入，如图 3 所示：

图 3：Transformer 的 Encoder 和 Decoder 均由 6 个 block 堆叠而成

我们继续分析每个 encoder 的详细结构：在 Transformer 的 encoder 中，数据首先会经过一个叫做‘self-attention’的模块得到一个加权之后的特征向量  ，这个  便是论文公式 1 中的  ：

第一次看到这个公式你可能会一头雾水，在后面的文章中我们会揭开这个公式背后的实际含义，在这一段暂时将其叫做  。

得到  之后，它会被送到 encoder 的下一个模块，即 Feed Forward Neural Network。这个全连接有两层，第一层的激活函数是 ReLU，第二层是一个线性激活函数，可以表示为：

Encoder 的结构如图 4 所示：

图 4：Transformer 由 self-attention 和 Feed Forward neural network 组成

Decoder 的结构如图 5 所示，它和 encoder 的不同之处在于 Decoder 多了一个 Encoder-Decoder Attention，两个 Attention 分别用于计算输入和输出的权值：

1. Self-Attention：当前翻译和已经翻译的前文之间的关系；
2. Encoder-Decnoder Attention：当前翻译和编码的特征向量之间的关系。

图 5：Transformer 的解码器由 self-attention，encoder-decoder attention 以及 FFNN 组成

1.2 输入编码

1.1 节介绍的就是 Transformer 的主要框架，下面我们将介绍它的输入数据。如图 6 所示，首先通过 Word2Vec 等词嵌入方法将输入语料转化成特征向量，论文中使用的词嵌入的维度为

图 6：单词的输入编码

在最底层的 block 中，  将直接作为 Transformer 的输入，而在其他层中，输入则是上一个 block 的输出。为了画图更简单，我们使用更简单的例子来表示接下来的过程，如图 7 所示：

图 7：输入编码作为一个 tensor 输入到 encoder 中

1.3 Self-Attention

Self-Attention 是 Transformer 最核心的内容，然而作者并没有详细讲解，下面我们来补充一下作者遗漏的地方。回想 Bahdanau 等人提出的用 Attention[2]，其核心内容是为输入向量的每个单词学习一个权重，例如在下面的例子中我们判断 it 代指的内容，

The animal didn't cross the street because it was too tired

通过加权之后可以得到类似图 8 的加权情况，在讲解 self-attention 的时候我们也会使用图 8 类似的表示方式

图 8：经典 Attention 可视化示例图

在 self-attention 中，每个单词有 3 个不同的向量，它们分别是 Query 向量（  ），Key 向量（  ）和 Value 向量（  ），长度均是 64。它们是通过 3 个不同的权值矩阵由嵌入向量  乘以三个不同的权值矩阵  ，  ，  得到，其中三个矩阵的尺寸也是相同的。均是  。

图 9：Q，K，V 的计算示例图

那么 Query，Key，Value 是什么意思呢？它们在 Attention 的计算中扮演着什么角色呢？我们先看一下 Attention 的计算方法，整个过程可以分成 7 步：

1. 如上文，将输入单词转化成嵌入向量；
2. 根据嵌入向量得到  ，  ，  三个向量；
3. 为每个向量计算一个 score：  ；
4. 为了梯度的稳定，Transformer 使用了 score 归一化，即除以  ；
5. 对 score 施以 softmax 激活函数；
6. softmax 点乘 Value 值  ，得到加权的每个输入向量的评分  ；
7. 相加之后得到最终的输出结果  ：  。

上面步骤的可以表示为图 10 的形式。

图 10：Self-Attention 计算示例图

实际计算过程中是采用基于矩阵的计算方式，那么论文中的  ，  ，  的计算方式如图 11：

图 11：Q，V，K 的矩阵表示

图 10 总结为如图 12 所示的矩阵形式：

图 12：Self-Attention 的矩阵表示

这里也就是公式 1 的计算方式。

在 self-attention 需要强调的最后一点是其采用了残差网络 [5] 中的 short-cut 结构，目的当然是解决深度学习中的退化问题，得到的最终结果如图 13。

图 13：Self-Attention 中的 short-cut 连接

1.3 Multi-Head Attention

Multi-Head Attention 相当于  个不同的 self-attention 的集成（ensemble），在这里我们以  举例说明。Multi-Head Attention 的输出分成 3 步：

1. 将数据  分别输入到图 13 所示的 8 个 self-attention 中，得到 8 个加权后的特征矩阵  。
2. 将 8 个  按列拼成一个大的特征矩阵；
3. 特征矩阵经过一层全连接后得到输出  。

整个过程如图 14 所示：

图 14：Multi-Head Attention

同 self-attention 一样，multi-head attention 也加入了 short-cut 机制。

1.4 Encoder-Decoder Attention

在解码器中，Transformer block 比编码器中多了个 encoder-cecoder attention。在 encoder-decoder attention 中，  来之与解码器的上一个输出，  和  则来自于与编码器的输出。其计算方式完全和图 10 的过程相同。

由于在机器翻译中，解码过程是一个顺序操作的过程，也就是当解码第  个特征向量时，我们只能看到第
 及其之前的解码结果，论文中把这种情况下的 multi-head attention 叫做 masked multi-head attention。

1.5 损失层

解码器解码之后，解码的特征向量经过一层激活函数为 softmax 的全连接层之后得到反映每个单词概率的输出向量。此时我们便可以通过 CTC 等损失函数训练模型了。

而一个完整可训练的网络结构便是 encoder 和 decoder 的堆叠（各  个，  ），我们可以得到图 15 中的完整的 Transformer 的结构（即论文中的图 1）：

图 15：Transformer 的完整结构图

2. 位置编码

截止目前为止，我们介绍的 Transformer 模型并没有捕捉顺序序列的能力，也就是说无论句子的结构怎么打乱，Transformer 都会得到类似的结果。换句话说，Transformer 只是一个功能更强大的词袋模型而已。

为了解决这个问题，论文中在编码词向量时引入了位置编码（Position Embedding）的特征。具体地说，位置编码会在词向量中加入了单词的位置信息，这样 Transformer 就能区分不同位置的单词了。

那么怎么编码这个位置信息呢？常见的模式有：a. 根据数据学习；b. 自己设计编码规则。在这里作者采用了第二种方式。那么这个位置编码该是什么样子呢？通常位置编码是一个长度为  的特征向量，这样便于和词向量进行单位加的操作，如图 16。

图 16：Position Embedding

论文给出的编码公式如下：

在上式中，  表示单词的位置，
表示单词的维度。关于位置编码的实现可在 Google 开源的算法中get_timing_signal_1d()函数找到对应的代码。

作者这么设计的原因是考虑到在 NLP 任务重，除了单词的绝对位置，单词的相对位置也非常重要。根据公式
 以及
 ，这表明位置 

的位置向量可以表示为位置 的特征向量的线性变化，这为模型捕捉单词之间的相对位置关系提供了非常大的便利。

3. 总结

优点：（1）虽然 Transformer 最终也没有逃脱传统学习的套路，Transformer 也只是一个全连接（或者是一维卷积）加 Attention 的结合体。但是其设计已经足够有创新，因为其抛弃了在 NLP 中最根本的 RNN 或者 CNN 并且取得了非常不错的效果，算法的设计非常精彩，值得每个深度学习的相关人员仔细研究和品位。（2）Transformer 的设计最大的带来性能提升的关键是将任意两个单词的距离是 1，这对解决 NLP 中棘手的长期依赖问题是非常有效的。（3）Transformer 不仅仅可以应用在 NLP 的机器翻译领域，甚至可以不局限于 NLP 领域，是非常有科研潜力的一个方向。（4）算法的并行性非常好，符合目前的硬件（主要指 GPU）环境。

缺点：（1）粗暴的抛弃 RNN 和 CNN 虽然非常炫技，但是它也使模型丧失了捕捉局部特征的能力，RNN + CNN + Transformer 的结合可能会带来更好的效果。（2）Transformer 失去的位置信息其实在 NLP 中非常重要，而论文中在特征向量中加入 Position Embedding 也只是一个权宜之计，并没有改变 Transformer 结构上的固有缺陷。

Reference

[1] Vaswani A, Shazeer N, Parmar N, et al. Attention is all you need [C]//Advances in Neural Information Processing Systems. 2017: 5998-6008.

[2] Bahdanau D, Cho K, Bengio Y. Neural machine translation by jointly learning to align and translate[J]. arXiv preprint arXiv:1409.0473, 2014.

[3] Devlin J, Chang M W, Lee K, et al. BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding[J]. arXiv preprint arXiv:1810.04805, 2018.

[4] http://jalammar.github.io/illustrated-transformer

[5] He K, Zhang X, Ren S, et al. Deep residual learning for image recognition[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2016: 770-778.

 

 

时间:2019-05-20 13:11  来源:    转发量:次