Self-Attention与Transformer
1.由来
在Transformer之前,做翻译的时候,一般用基于RNN的Encoder-Decoder模型。从X翻译到Y。
但是这种方式是基于RNN模型,存在两个问题。
一是RNN存在梯度消失的问题。(LSTM/GRU只是缓解这个问题)
二是RNN 有时间上的方向性,不能用于并行操作。Transformer 摆脱了RNN这种问题。
2.Transformer 的整体框架
输入的x1,x2x_{1},x_{2}x1,x2,共同经过Self-attention机制后,在Self-attention中实现了信息的交互,分别得到了z1,z2z_{1},z_{2}z1,z2,将z1,z2z_{1},z_{2}z1,z2分别经过各自的全连接神经网络之后,得到了r1,r2r_{1},r_{2}r1,r2。
self-attention的意义是
当使用Transformer模型翻译’’ The animal didn’t cross the street because it was too tired"。当翻译到it时, 我们知道 it 指代的是 animal 而不是street. 所以, 如果有办法可以让 it 对应位置的embedding 适当包含 animal 的信息,就会非常有用. self-attention的出现就是为了完成这一任务.
如上图右侧所示,self-attention会让单词it和某些单词发生比较强的联系, 得到比较高的attention分数.
3.Self-attention机制
3.1Self-attention解释
假设x1,x2∈R1×4x_{1},x_{2}\in R^{1 \times 4}x1,x2∈R1×4,
同时引入三个矩阵,Queries矩阵:WQ∈R4×3W^{Q}\in R^{4 \times 3}WQ∈R4×3,Key矩阵:WK∈R4×3W^{K}\in R^{4 \times 3}WK∈R4×3,Values矩阵:WV∈R4×3W^{V}\in R^{4 \times 3}WV∈R4×3。
将x1x_{1}x1与WQW^{Q}WQ,WKW^{K}WK,WVW^{V}WV分别作矩阵乘法,分别得到q1,k1,v1∈R1×3q_{1},k_{1},v_{1}\in R^{1 \times 3}q1,k1,v1∈R1×3,同理可得到q2,k2,v2∈R1×3q_{2},k_{2},v_{2}\in R^{1 \times 3}q2,k2,v2∈R1×3。
之后来到上图的右半部分,
将q1,k1q_{1},k_{1}q1,k1中的对应位置元素相乘再求和(点积的方式)得到q1⋅k1=112q_{1}\cdot k_{1}=112q1⋅k1=112,将1128=14\displaystyle\frac{112}{8}=148112=14,在经过Softmax之后得到0.88,
同理,将q1,k2q_{1},k_{2}q1,k2点积相乘得到q1⋅k2=96q_{1}\cdot k_{2}=96q1⋅k2=96,将968=12\displaystyle\frac{96}{8}=12896=12,在经过Softmax之后得到0.12,
最后将0.88v1+0.12v2=z10.88 v_{1}+0.12v_{2}=z_{1}0.88v1+0.12v2=z1。同样的,可以得到z2z_{2}z2。
3.2Self-attention矩阵表示
表示称矩阵形式为
X=(x1x2)∈R2×4X=\left(\begin{array}{ll}{x_{1}} \\ {x_{2}} \end{array}\right) \in R^{2\times4}X=(x1x2)∈R2×4,分别与WQW^{Q}WQ,WKW^{K}WK,WVW^{V}WV作矩阵乘法,分别得到Q,K,V∈R2×3Q,K,V\in R^{2 \times 3}Q,K,V∈R2×3,Z=Softmax(Q×KT8)VZ=Softmax(\displaystyle\frac{Q \times K^{T}}{8})VZ=Softmax(8Q×KT)V。
如果有8个WQW^{Q}WQ,WKW^{K}WK,WVW^{V}WV,就会得到8个的ZiZ_{i}Zi(类似卷积神经网络),那么这8个ZiZ_{i}Zi又该如何组合呢?
这里的话使用了一个全连接的神经网络来组合,将8个ZiZ_{i}Zi拼接成R24×2R^{24\times 2}R24×2,经过一个全连接的神经网络,最终得到ZZZ。
Multi-headed Self-Attention整体结构
观察一下结果,下图右是整体的结果,下图左是其中2个attention的结果,以下图左举例,橙色的attention注意力机制“注意到”it与The animal这个关联性较强,而绿色的attention注意力机制“注意到”it与tired关联性较强,这也是设计多个header的原因。
4.Positional Encoding
对于输入的XXX,不仅需要将单词转化成词向量的形式,而且需要加入每个单词的位置的信息,如图所示,输入的x1=x_{1}=x1=词向量+词的位置信息
dmodeld_{model}dmodel为词向量的维度,下图是例子
5.Layer Normalization
使用Layer Normalization的原因是当网络比较深的时候,使用梯度下降法向后传递误差时,误差项会越来越弱,训练起来就会比较慢,比较困难
因此在self-attention之后,加入Layer Normalization(X+Z)(X+Z)(X+Z),得到新的ZZZ
6.Decoder过程
假设Encoder的输出为mmm,如图,将mmm输入到Decoder过程中,此时在红框所在的self-attention中,分别是
q=xWQk=mWKv=mWV\begin{array}{l}{q=x W^{Q}} \\ {k=m W^{K}} \\ {v=m W^{V}}\end{array} q=xWQk=mWKv=mWV
而Decoder最下面的输入为
假设我们现在要翻译一段法语“Je suis etudiant”成英文“I am a student”
而假设目前已经翻译了“I am”,需要对后面进行翻译,那么就将I am转化成词向量输入,在得到I am a之后再次输入,直至完成。
这其中还有一个mask机制,作用是因为我们在训练时需要覆盖还没有输出的单词(通过0,0,0,1,1,1,1,1:1为mask,0为可见)(mask具体是如何表现的,我也有点迷糊,待我研究一下代码再来…)
最后就是Decoder的输出,将蓝色框的向量输入到一个神经网络中去,这个神经网络的输出维度为一个词典的大小,然后经过一个softmax函数,得到概率,取概率最大的作为预测值。
Transformer的损失函数是交叉熵损失。
Label smooting: 就是准备标签时不用绝对的0,1序列,可以通过smoothing 也就是正确的值 对应的不是1 而是比如当ϵ=0.05\epsilon=0.05ϵ=0.05时,1−ϵ=0.951-\epsilon=0.951−ϵ=0.95 其他的值就是0.05K−1\displaystyle\frac{0.05}{K-1}K−10.05;
Noam Learing Rate:学习率首先以一个较大的速率增长,达到一定时,以指数的形式进行衰减比较好。
注:上述文章是本人在观看贪心科技视频整理的
链接:https://pan.baidu.com/s/1Ade9NH0D_KiEbKvCTo9UXA 提取码:8J33
Self-Attention与Transformer相关推荐
- attention seq2seq transformer bert 学习总结 _20201107
https://blog.csdn.net/weixin_44388679/article/details/102575223 Seq2Seq原理详解 一文读懂BERT(原理篇) 2018年的10月1 ...
- 什么是self-attention、Multi-Head Attention、Transformer
本文紧接<什么是Encoder-Decoder.Seq2Seq.Attention?>,目的是从输入输出.以及内部数据流和详细的计算过程角度,去剖析self-attention.Multi ...
- 从attention到Transformer+CV中的self-attention
一.总体结构 由于rnn等循环神经网络有时序依赖,导致无法并行计算,而Transformer主体框架是一个encoder-decoder结构,去掉了RNN序列结构,完全基于attention和全连接. ...
- Attention Mechanism[Transformer、Transformer-XL、XLNet]
Content Attention Mechanism--->聚焦关键点 1 History 2 Introduction 3 structure 4 application situation ...
- NLP经典论文:Attention、Self-Attention、Multi-Head Attention、Transformer 笔记
NLP经典论文:Attention.Self-Attention.Multi-Head Attention.Transformer 笔记 论文 介绍 特点 模型结构 整体结构 输入 输出 Attent ...
- BOAT: Bilateral Local Attention Vision Transformer
BOAT Attention 论文标题:BOAT: Bilateral Local Attention Vision Transformer 论文地址:http://arxiv.org/pdf/220 ...
- seq2seq到attention到transformer理解
1.seq2seq 1.1 模型结构 encoder ,decoder都是用RNN实现的 所有信息共用一个语义表示C,C为隐藏状态 缺点:无法表达序列信息 句子长,效果差,丢失信息 训练时: enco ...
- 语言模型(五)—— Seq2Seq、Attention、Transformer学习笔记
按:三个月前的一篇笔记,先发出来,后面还会有第二次学习的笔记,两者结合起来看,更加爽口. 本篇笔记5000余字,可细嚼,亦可跳阅. 机器翻译 本篇笔记中要开始介绍的Encoder-Decoder模型最 ...
- attention机制、self-attention、channel attention、spatial attention、multi-head attention、transformer
文章目录 attention sequence attention attention 与 self-attention channel attention 与 spatial attention m ...
- Attention 和 Transformer
本文参考d2l,搭配知识点和代码,助力一口气搞懂Transformer,参考: chapter_attention-mechanisms-and-transformers https://d2l.ai ...
最新文章
- HTML的标签描述22
- 又是加拿大!连年拒签NeurIPS参会者被指太荒唐,Hinton亲自过问也没辙
- 每日一皮:男人有三宝「胡子、发型和肌肉」...
- liunx mysql模块_linux下安装MySQLdb模块_MySQL
- 《系统集成项目管理工程师》必背100个知识点-39接驳缓冲和项目缓冲
- [svc][op]从历险压缩日志里网站pv uv统计
- [文摘20080919]小软件将网页变为3D世界
- STM32通用定时器输出PWM控制舵机 —— 重装载值、比较值、当前值
- WebForm 分页与组合查询
- 如何在centos7上安装FreeIPA的客户端
- Atitit 数据库存储引擎 目录 1.1. BLACKHOLE 黑洞引擎 1 1.2. Myisam innodb 1 1.3. Archive 档案类 1 1.4. Fed 连接引擎 2 1.
- php万能密码在线视频讲解,万能密码
- 玩转windbg软件调试视频教程发布-windbg入门教程
- Jekyll 语句语法、功能的实现方法和结构介绍小手册
- php网页显示中文乱码的解决办法!
- HEVC新技术(一):基于MVC的AMVP技术
- tor 安装及使用教程
- 全国大学生女子足球锦标赛
- SMTPSendFailedException: 554
- 肯德基门店 csv
热门文章
- C语言程序设计十个币,C语言程序设计复习(10页)-原创力文档
- 8个你最想知道的数据中台问题,我们这次聊个透
- UltraEdit 27.0.0.24 中文版 — 文本代码编辑工具
- Google谷歌未来如何占领“Web3高地”?
- 葡萄糖氧化酶(GOD)修饰纳米金(Nano-Au)/壳聚糖(CS)/1-丁基-3-甲基咪唑六氟磷酸盐(BMIMPF6)复合材料
- 悟空问答死于知乎十周年
- 十一、SpringCloud实用篇_Gateway服务网关
- 虎牙直播弹幕抓取 相关资料整理
- 制作篇3 - 制作agent-server镜像包
- 高分一号影像处理流程