李宏毅《Deep Learning》学习笔记 - transformer

学习资料

视频：https://www.youtube.com/watch?v=ugWDIIOHtPA&list=PLJV_el3uVTsOK_ZK5L0Iv_EQoL1JefRL4&index=61&t=1s
课件：http://speech.ee.ntu.edu.tw/~tlkagk/courses/ML_2019/Lecture/Transformer%20(v5).pdf

Transformer

Transformer是Seq2Seq with Self-Attention
BERT是unsupervised learning版本的Transformer

Seq2Seq Model的问题

Seq2Seq Model最大的问题就是慢，没法并行化。下图左侧是Seq2Seq的工作原理，右侧是使用CNN来做处理的过程。使用CNN最大的好处就是可以并行化处理。

相较于Seq2Seq Layer而言，可以直接使用Self-Attention Layer替代原先的RNN层，同时，可以引入并行化的作用。输入和输出保持不变。

Self-Attention

对每一个Input都做变换，生成q,k,v三种向量。然后，用q与每一个k做attention（所谓的attention，就是计算两个vector的相关性，或者相似度）。

attention有多种计算方法，下面使用的是scaled dot-product attention。

接着，将所有的attention value都做soft-max

将经过soft-max的值，与每一个v相乘，求和，求得$b^1$b1

对于$b^2$b2的计算方法，也是类似


下面来看看如何使用矩阵计算来做并行计算。
将输入的$x^1,x^2,x^3,x^4$x1,x2,x3,x4做变换以后，变成$a^1,a^2,a^3,a^4$a1,a2,a3,a4。将$a^1,a^2,a^3,a^4$a1,a2,a3,a4作为矩阵的每一列，组成一个$I$I，再分别乘以$W^q, W^k, W^v$Wq,Wk,Wv，得到想相应的$Q,K,V$Q,K,V。每一列就是前面介绍的$q^i,k^i,v^i$qi,ki,vi

再看一下计算$\hat{\alpha}$α^和$b$b的过程。



最后，我们再回顾一下，整个self-attention的计算过程。

Multi-head Self-Attention

Positional Encoding

Seq2Seq with Attention

将原先的RNN层，用self-attention layer代替，就好了。

架构分析

下面是Transformer的完整架构，包括Encoder和Decoder。

下面是对架构中每个组成部分的详细介绍。
其中，Multi-Head Attention就是上面介绍的self-attention layer。
Add & Norn是下图左上黄色区域的解释。Add是将输入a与输出b相加。Norm是指Layer Norm。
这里将Layer Norm与Batch Norm进行对比，其中，Layer Norm是将一个样本中每个维度的值进行normaliztion，而Batch Norm是将一个batch中同一个dim的值做normalization。

论文实验

其他应用