Transformer

参考资料

https://zhuanlan.zhihu.com/p/48508221

http://jalammar.github.io/illustrated-transformer/

也是一种Seq2Seq网络

image.png

这种RNN就不能并行运算

self-attention机制进行并行计算，在输入和输出都相同

传统的word2vect缺点：

1）词向量训练好了，就不会变啊

2） 一词多义 上下文不同 词义也不同

整体架构

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。

1）并行计算要求

2） 解决RNN中 对远距离的词记忆效果弱

Transformer的编码部分是由6个编码器，同样解码有6个解码器组成

image.jpeg

每个编码器的结构是先做一个self-attention，得到attention z,然后用一个全连接FNN对z的降维;

输入的序列，先流入第一层self-attention，计算出当前词与其他单词的

image.jpeg

两个公式：1）计算attetion 2)FNN 全连接层，两层第一层ReLU，第二层线性激活函数

image.jpeg

decoder中

1. 1）Self-Attention：当前翻译和已经翻译的前文之间的关系；

2. 2）Encoder-Decnoder Attention：当前翻译和编码的特征向量之间的关系。

image.gif

先做词嵌入，算出词向量 论文中：用的词向量维度dK=512

输入如何编码？ 输出结构是啥？ attenion目的？ 怎样组合在一起？

【一、self-attention是什么？】

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

根据实际吃的数据，可以看他的上下文，从而确定词义

self-attetion怎么计算？

1）把每一个词编程词向量，文章用的是Xi是512维的，而乘出来后的q,k,v这些新向量是64维的。

这样做的目的是可以持续计算多头

image.png

image.png

当我得到Q、K、V三个矩阵时，便可以计算每个词与其他词的得分；这里用一个点积运算，可以求出某两个词的相关性；

2）计算socre

image.png

3）-4）这里第三和第四步

image.png

softmax得分表示出每一个单词在此位置的分量，比如thinking在这个句子中对machine只占0.12

5）将每个词的value*softmax得分，凭直观可以看出只关注那些我们注意的词，而drop-out那些无关的词（只需要乘以一个足够小的数）

image.png

6）把softmax*v加起来便可得到当前词对于整个序列而言的attetion

image.png

======================================================================

【附录】 关于计算attention进一步解释

要把分值转换成一个概率，所以这里用到一个softmax，便可以得到一个词与其他词的分值，然后与其他词value做点积，便可得到self-attention的值

image.png

一个关于self-attention的流程

image.png

image.png

这个的最后用softmax输出与z做一个点积运算 求sum，单个词的对其他词的attention，然后在乘以V(实际特征信息)

image.jpeg

【三、位置信息表达】

词的位置会产生影响，所以add一个vector到输入的嵌入层，引入的这个vector要能够表达出整个序列词的顺序，还有不同词之间的distance信息；

image.png

【四、残差块】

image.png

image.png

【Decoder】

decoder多了一个encoder-decoder attetion层

image.png

1. self-attention略有不同

image.png

decoder如何处理encoder的编码结果

2. 加入mask机制： decoder是做预测的，要根据之前的输出预测当前的，所以在把当前的mask掉；

image.png

image.gif

Bert

按照官网给出的Bert技术牛皮，一方面因为是unsupervised,另一方面是因为用于预训练NLP的深度双向系统

与训练表示既可以是context-free 也可是 contexual

context-free: word2vec 和 glove

I made a bank deposit中 对bank的理解 bert会看bank的前后，而其他模型要么只看左边，要么只看右边

pre-training & fine-tunings

难的是对词的编码，就是transfomer的encoder部分；

如何训练bert

image.png

image.png

方法二：

image.png

end2end训练方式

image.png