IT技术之家

首页 > 嵌入式

嵌入式

变形金刚——Transformer入门刨析详解_哪有灬平凡?_transformer

发布时间:2022-10-24 17:59:25 嵌入式 0次 标签:transformer 深度学习 人工智能 nlp
Transformer详解...

Transformer是什么呢?

\qquad Transformer最早起源于论文Attention is all your need,是谷歌云TPU推荐的参考模型。
\qquad 目前,在NLP领域当中,主要存在三种特征处理器——CNN、RNN以及Transformer,当前Transformer的流行程度已经大过CNN和RNN,它抛弃了传统CNN和RNN神经网络,整个网络结构完全由Attention机制以及前馈神经网络组成。首先给出一个来自原论文的Transformer整体架构图方便之后回顾。
\qquad 上图中的Transformer可以说是一个使用“self attention”的Seq2seq模型。
那么要想了解Transformer,就必须先了解"self attention"。
\qquad 如果给出一个Sequence要处理,最常想到的可能就是RNN了,如下图1所示。RNN被经常使用在输入是有序列信息的模型中,但它也存在一个问题——它不容易被“平行化”。那么“平行化”是什么呢?
\qquad 比如说在RNN中a1,a2,a3,a4就是输入,b1,b2,b3,b4就是输出。对于单向RNN,如果你要输出b3那么你需要把a1,a2,a3都输入并运算了才能得到;对于双向RNN,如果你要输出任何一个bi,那么你要把所有的ai都输入并运算过才能得到。它们无法同时进行运算得出b1,b2,b3,b4。


\qquad 而针对RNN无法“平行化”这个问题,有人提出了使用CNN来取代RNN,如下图所示。输入输出依然为ai、bi。它利用一个个Filter(如下图黄色三角形)(我的理解是类似于计网的滑动窗口协议)去得出相应的输出,比如b1是通过a1,a2一起得出;b2是通过a1,a2,a3得出。可能会存在一个疑问——这样不就只考虑临近输入的信息,而对长距离信息没有考虑了?
\qquad 当然不是这样,它可以考虑长距离信息的输入,只需要在输出bi上再叠加一层Filters就能涵盖更多的信息,如下图黄色三角形,所有输入ai运算得出b1,b2,b3作为该层的输入。所以说只要你叠加的层数够多,它可以包含你所有的输入信息。
\qquad 回到咱们对“平行化”问题的解答:使用CNN是可以做到“平行化”的,下图中每一个蓝色的三角形,并不用等前面的三角形执行完才能执行,它们可以同时进行运算。

self attention

\qquad self attention模型输入的xi先做embedding得到ai,每一个xi都分别乘上三个不同的w得到q、k、v。

其中: \qquad \qquad \qquad \qquad ? a i = W x i \ a^i=Wx^i ?ai=Wxi
\qquad \qquad \qquad \qquad \qquad ? q i = W q a i \ q^i=W^qa^i ?qi=Wqai
\qquad \qquad \qquad \qquad \qquad ? k i = W k a i \ k^i=W^ka^i ?ki=Wkai
\qquad \qquad \qquad \qquad \qquad ? v i = W v a i \ v^i=W^va^i ?vi=Wvai
拿每个qi去对每个ki做点积得到 ? a 1 , i \ a_{1,i} ?a1,i?,其中d是q和k的维度。
\qquad \qquad \qquad \qquad \qquad ? a 1 , i = q 1 ? k i / d \ a_{1,i}=q^1·k^i/{\sqrt d} ?a1,i?=q1?ki/d ?

再把 ? a 1 , i \ a_{1,i} ?a1,i?经过一个Soft-max之后得到 a ^ 1 , i \hat a_{1,i} a^1,i?
a ^ 1 , i = e x p ( a 1 , i ) / ∑ j e x p ( a 1 , j ) \hat a_{1,i} =exp(a_{1,i})/\sum_{j} exp(a_{1,j}) a^1,i?=exp(a1,i?)/j∑?exp(a1,j?)

\qquad 接下来把 a ^ 1 , j \hat a_{1,j} a^1,j?与对应的 v j v^j vj分别做乘积最后求和得出第一个输出 b 1 b_1 b1?,同理可得到所有 b i b_i bi?
b 1 = ∑ i n a ^ 1 , i v i b^1 =\sum_{i}^n \hat a_{1,i}v^i b1=in?a^1,i?vi

\qquad 那么到这里就可以看出输出b1是综合了所有的输入xi信息,同时这样做的优势在于——当b1只需要考虑局部信息的时候(比如重点关注x1,x2就行了),那么它可以让 a ^ 1 , 3 \hat a_{1,3} a^1,3?和 a ^ 1 , 4 \hat a_{1,4} a^1,4?输出的值为0就行了。

那么self attention是这么做平行化的呢?

咱们复习一下前面说到的q、k、v的计算:
\qquad \qquad \qquad \qquad \qquad ? q i = W q a i \ q^i=W^qa^i ?qi=Wqai
\qquad \qquad \qquad \qquad \qquad ? k i = W k a i \ k^i=W^ka^i ?ki=Wkai
\qquad \qquad \qquad \qquad \qquad ? v i = W v a i \ v^i=W^va^i ?vi=Wvai
\qquad 因为 ? q 1 = w q a 1 \ q^1=w^qa^1 ?q1=wqa1,那么根据矩阵运算原理,我们将 ? a 1 、 a 2 、 a 3 、 a 4 \ a^1、a^2、a^3、a^4 ?a1、a2、a3、a4串起来作为一个矩阵I与 ? w q \ w^q ?wq相乘可以得到 ? q 1 、 q 2 、 q 3 、 q 4 \ q^1、q^2、q^3、q^4 ?q1、q2、q3、q4构成的矩阵Q。同理可得 ? k i 、 v i \ k^i、v^i ?ki、vi的矩阵K、V。

然后我们再回忆观察一下 ? a 1 , i \ a_{1,i} ?a1,i?的计算过程(为方便理解,此处省略 d \sqrt d d ?):
\qquad \qquad \qquad ? a 1 , 1 = k 1 ? q 1 \ a_{1,1}=k^1·q^1 ?a1,1?=k1?q1 \qquad ? a 1 , 2 = k 2 ? q 1 \ a_{1,2}=k^2·q^1 ?a1,2?=k2?q1
\qquad \qquad \qquad ? a 1 , 3 = k 3 ? q 1 \ a_{1,3}=k^3·q^1 ?a1,3?=k3?q1 \qquad ? a 1 , 4 = k 4 ? q 1 \ a_{1,4}=k^4·q^1 ?a1,4?=k4?q1
\qquad 我们可以发现计算都是用 ? q 1 \ q^1 ?q1去乘以每个 ? k i \ k^i ?ki得出 ? a 1 , i \ a_{1,i} ?a1,i?,那么我们将 ? k i \ k^i ?ki叠加起来与 ? q 1 \ q^1 ?q1相乘得到一列向量 ? a 1 , i \ a_{1,i} ?a1,i?(i=1,2,3,4)。然后你再加上所有的 ? q i \ q^i ?qi就可以得到整个 ? a i , j \ a_{i,j} ?ai,j?矩阵。最后对 ? a i , j \ a_{i,j} ?ai,j?的每一列做一个soft-max就得到 a ^ i , j \hat a_{i,j} a^i,j?矩阵。

最后再把 a ^ i , j \hat a_{i,j} a^i,j?与所有 ? v i \ v^i ?vi构成的矩阵V相乘即可得到输出。

\qquad 在这里我们对输入I到输出O之间做的事情做一个总结:我们先用I分别乘上对应的 ? W i \ W^i ?Wi得到矩阵Q,K,V,再把Q与 ? K T \ K^T ?KT相乘得到矩阵A,再对A做soft-max处理得到矩阵KaTeX parse error: Expected group after '^' at position 7: \hat A^?,最后再将KaTeX parse error: Expected group after '^' at position 7: \hat A^?与V相乘得到输出结果O。整个过程都是进行矩阵乘法,都可以使用GPU加速。

self-attention的变形——Multi-head Self-attention

\qquad Multi-head Self-attention跟self-attention一样都会生成q、k、v,但是Multi-head Self-attention会再将q、k、v分裂出多个 ? q 1 , 2 \ q^{1,2} ?q1,2(这里举例分裂成两个),然后它也将q跟k去进行相乘计算,但是只跟其对应的k、v进行计算,比如 ? q 1 , 1 \ q^{1,1} ?q1,1只会与 ? k 1 , 1 \ k^{1,1} ?k1,1、 ? k 2 , 1 \ k^{2,1} ?k2,1进行运算,然后一样的乘以对应的v得到输出 ? b 1 , 1 \ b^{1,1} ?b1,1。
\qquad \qquad \qquad ? q 1 , 1 = W q , 1 q 1 \ q^{1,1}=W^{q,1}q^1 ?q1,1=Wq,1q1 \qquad \qquad ? q 1 , 2 = W q , 2 q 1 \ q^{1,2}=W^{q,2}q^1 ?q1,2=Wq,2q1

\qquad 对于 ? b i , 1 \ b^{i,1} ?bi,1再进行一步处理就得到我们在self-attention所做的一步骤的输出 ? b i \ b^i ?bi。

那么这个Multi-head Self-attention设置多个q,k,v有什么好处呢?
\qquad 举例来说,有可能不同的head关注的点不一样,有一些head可能只关注局部的信息,有一些head可能想要关注全局的信息,有了多头注意里机制后,每个head可以各司其职去做自己想做的事情。

Positional Encoding
\qquad 根据前面self-attention介绍中,我们可以知道其中的运算是没有去考虑位置信息,而我们希望是把输入序列每个元素的位置信息考虑进去,那么就要在 ? a i \ a^i ?ai这一步还有加上一个位置信息向量 ? e i \ e^i ?ei,每个 ? e i \ e^i ?ei都是其对应位置的独特向量。—— ? e i \ e^i ?ei是通过人工手设(不是学习出来的)。

最后挂上一张来自原论文的效果图,体验一下transformer的强大: