Attention is all your need 谷歌的超强特征提取网络—

过年放了七天假，每年第一件事就是立一个flag——希望今年除了能够将技术学扎实之外，还希望能够将所学能够用来造福社会，好像flag立得有点大了。没关系，套用一句电影台词为自己开脱一下——人没有梦想，和咸鱼有什么区别。闲话至此，进入今天主题：Transformer。谷歌于2017年提出Transformer网络架构，此网络一经推出就引爆学术界。目前，在NLP领域，Transformer模型被认为是比CNN，RNN都要更强的特征提取器。

Transformer算法简介

Transformer引入了self-attention机制，同时还借鉴了CNN领域中残差机制（Residuals），由于以上原因导致transformer有如下优势：

模型表达能力较强，由于self-attention机制考虑到了句子之中词与词之间的关联，
抛弃了RNN的循环结构，同时借用了CNN中的残差结构加快了模型的训练速度。

接下来我们来看看transformer的一些细节：

首先Scaled Dot-Product Attention步骤是transformer的精髓所在，作者引入Q，W，V参数通过点乘相识度去计算句子中词与词之间的关联重要程度。其大致过程如图所示，笔者将会在实战部分具体介绍此过程如何实现。

Scaled Dot-Product Attention
第二个是muti-head步骤，直白的解释就是将上面的Scaled Dot-Product Attention步骤重复执行，然后将每次执行的结果拼接起来，需要注意的是每次重复执行Scaled Dot-Product Attention步骤的参数并不共享。

Multi-Head
第三个步骤就是残差网络结构——将muti-head步骤的输出和原始输入之间相加。这里不明白的可以参考笔者之前介绍残差网络的文章。

接下来就是实战部分，实战部分只使用了muti-head attention或者说是self-attention的向量表示作为最终特征进行文本分类。

Transformer文本分类实战

数据载入

下方代码的作用是将情感分析数据读入，格式为一句话和一个label：
sen_1 : 1
sen_2 : 0
1代表正面情绪，0代表负面情绪。

#! -*- coding: utf-8 -*-
from keras import backend as K from keras.engine.topology import Layer import numpy as np from keras.preprocessing import sequence from keras.layers import * from keras import Model from keras.callbacks import TensorBoard data = np.load("imdb.npz") x_test = data["x_test"] x_train = data["x_train"] y_test = data["y_test"] y_train = data["y_train"]

数据预处理

由于文本数据长短不一，下面代码可将数据padding到相同的长度。

from itertools import chain
all_word = list(chain.from_iterable(list(x_train)))
all_word = set(all_word) max_features = len(all_word) data_train = sequence.pad_sequences(x_train,200)

Self-attention

这里详细介绍一下模型最关键的部分Scaled Dot-Product Attention的构建过程，如图一 Scaled Dot-Product Attention:

图一 self-attention

1.首先申明三个待优化的参数 $W_k,W_q,W_v$ ,
2.将输入X分别和 $W_k,W_q,W_v$ 进行点乘，得到 $q_1,k_1,v_1$ ,此过程可以理解成将同一句话中的词映射到三个不同的向量空间，这里笔者将三个不同的向量空间命名为Q空间，K空间和V空间，如图二 Query,Key,Value metrix，

图二 Query,Key,Value metrix
3.然后计算Q空间的某一个词在K空间所以词向量分别点乘得分，之后将这些得分通过softmax函计算一个重要度系数。然后用计算出来的重要度系数乘上该词在V空间的词向量并加和得到该词最终的词向量表示，整个过程如图三 Softmax所示，这样就可以得到一句话经过self-attention后的向量表示 $Z$ 。

图三 Softmax

上述整个过程就是Scaled Dot-Product Attention，本质上考虑到了一个句子中不同词之间的关联程度，这个过程或多或少增强了句子语义的表达。下方为keras定义的self-attention层的代码，这里加入了muti-head和mask功能的实现。

class Attention(Layer): def __init__(self, nb_head, size_per_head, **kwargs): self.nb_head = nb_head self.size_per_head = size_per_head self.output_dim = nb_head * size_per_head super(Attention, self).__init__(**kwargs) def build(self, input_shape): self.WQ = self.add_weight(name='WQ', shape=(input_shape[0][-1], self.output_dim), initializer='glorot_uniform', trainable=True) self.WK = self.add_weight(name='WK', shape=(input_shape[1][-1], self.output_dim), initializer='glorot_uniform', trainable=True) self.WV = self.add_weight(name='WV', shape=(input_shape[2][-1], self.output_dim), initializer='glorot_uniform', trainable=True) super(Attention, self).build(input_shape) def Mask(self, inputs, seq_len, mode='mul'): if seq_len == None: return inputs else: mask = K.one_hot(seq_len[:, 0], K.shape(inputs)[1]) mask = 1 - K.cumsum(mask, 1) for _ in range(len(inputs.shape) - 2): mask = K.expand_dims(mask, 2) if mode == 'mul': return inputs * mask if mode == 'add': return inputs - (1 - mask) * 1e12 def call(self, x): # 如果只传入Q_seq,K_seq,V_seq，那么就不做Mask # 如果同时传入Q_seq,K_seq,V_seq,Q_len,V_len，那么对多余部分做Mask if len(x) == 3: Q_seq, K_seq, V_seq = x Q_len, V_len = None, None elif len(x) == 5: Q_seq, K_seq, V_seq, Q_len, V_len = x # 对Q、K、V做线性变换 Q_seq = K.dot(Q_seq, self.WQ) Q_seq = K.reshape(Q_seq, (-1, K.shape(Q_seq)[1], self.nb_head, self.size_per_head)) Q_seq = K.permute_dimensions(Q_seq, (0, 2, 1, 3)) K_seq = K.dot(K_seq, self.WK) K_seq = K.reshape(K_seq, (-1, K.shape(K_seq)[1], self.nb_head, self.size_per_head)) K_seq = K.permute_dimensions(K_seq, (0, 2, 1, 3)) V_seq = K.dot(V_seq, self.WV) V_seq = K.reshape(V_seq, (-1, K.shape(V_seq)[1], self.nb_head, self.size_per_head)) V_seq = K.permute_dimensions(V_seq, (0, 2, 1, 3)) # 计算内积，然后mask，然后softmax A = K.batch_dot(Q_seq, K_seq, axes=[3, 3]) / self.size_per_head ** 0.5 A = K.permute_dimensions(A, (0, 3, 2, 1)) A = self.Mask(A, V_len, 'add') A = K.permute_dimensions(A, (0, 3, 2, 1)) A = K.softmax(A) # 输出并mask O_seq = K.batch_dot(A, V_seq, axes=[3, 2]) O_seq = K.permute_dimensions(O_seq, (0, 2, 1, 3)) O_seq = K.reshape(O_seq, (-1, K.shape(O_seq)[1], self.output_dim)) O_seq = self.Mask(O_seq, Q_len, 'mul') return O_seq def compute_output_shape(self, input_shape): return (input_shape[0][0], input_shape[0][1], self.output_dim)

位置编码

接下来定义一个位置编码层，由于是输入是句子属于一个序列，加入位置编码会使得语义表达更准确。

class Position_Embedding(Layer): def __init__(self, size=None, mode='sum', **kwargs): self.size = size # 必须为偶数 self.mode = mode super(Position_Embedding, self).__init__(**kwargs) def call(self, x): if (self.size == None) or (self.mode == 'sum'): self.size = int(x.shape[-1]) batch_size, seq_len = K.shape(x)[0], K.shape(x)[1] position_j = 1. / K.pow(10000., 2 * K.arange(self.size / 2, dtype='float32') / self.size) position_j = K.expand_dims(position_j, 0) position_i = K.cumsum(K.ones_like(x[:, :, 0]), 1) - 1 # K.arange不支持变长，只好用这种方法生成 position_i = K.expand_dims(position_i, 2) position_ij = K.dot(position_i, position_j) position_ij = K.concatenate([K.cos(position_ij), K.sin(position_ij)], 2) if self.mode == 'sum': return position_ij + x elif self.mode == 'concat': return K.concatenate([position_ij, x], 2) def compute_output_shape(self, input_shape): if self.mode == 'sum': return input_shape elif self.mode == 'concat': return (input_shape[0], input_shape[1], input_shape[2] + self.size)

而谷歌的论文直接给出了position embedding 层的公式，如下图所示。

position embeding

此公式的含义是将

id

为

p

的位置映射为一个

d_{pos}

维的位置向量，此向量的第

i

个元素的值就是通过上述公式算出来的

PE_i(p)

。position embeding背后的物理意义参考于参考文献第一篇：由于在数学上有 $sin(α+β)=sinαcosβ+cosαsinβ$ 以及 $cos(α+β)=cosαcosβ−sinαsinβ$ ，这表明位置 $p+k$ 的向量可以表示成位置 $p$ 的向量的线性变换，这提供了表达 $p$ 相对位置信息的可能性。

模型构建

接下来使用上方定义好的的self-attention层和position embedding层进行模型构建，这里设置的8个head，意味着将self-attention流程重复做8次，这里的代码实现不是讲8个head向量拼接，而是通过keras自带的 GlobalAveragePooling1D函数将8个head的向量求和平均一下。

K.clear_session()
callbacks = [TensorBoard("log/")]
S_inputs = Input(shape=(None,), dtype='int32')
embeddings = Embedding(max_features, 128)(S_inputs) embeddings = Position_Embedding()(embeddings) # Position_Embedding O_seq = Attention(8, 16)([embeddings, embeddings, embeddings])# Self Attention O_seq = GlobalAveragePooling1D()(O_seq) O_seq = Dropout(0.5)(O_seq) outputs = Dense(1, activation='sigmoid')(O_seq) model = Model(inputs=S_inputs, outputs=outputs) model.summary()

模型的网络结构可视化输出如下：

model

模型训练

将之前预处理好的数据喂给模型，同时设置好batch size 和 epoch就可以跑起来了。由于笔者是使用的是笔记本的cpu，所以只跑一个epoch。

model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])
model.fit(data_train, y_train,batch_size=2,epochs=1,callbacks=callbacks,validation_split=0.2)

train

结语

Transformer在各方面性能上都超过了RNN和CNN，但是其最主要的思想还是引入了self-attention，使得模型可以考虑到句子中词与词之间的相互联系，这个思想在NLP很多领域，如机器阅读(R-Net)中也曾出现。所以如何在embeding时的更好挖掘句子的语义，才是深度学习在nlp领域最需要解决的难题。

参考文献

https://spaces.ac.cn/archives/4765
https://blog.csdn.net/qq_41664845/article/details/84969266
Attention Is All You Need

作者：王鹏你妹
链接：https://www.jianshu.com/p/704893b996f9
来源：简书
简书著作权归作者所有，任何形式的转载都请联系作者获得授权并注明出处。