Attention Is All You Need

还在用 RNN 做 NLP ？ NLP 迎来新纪元了！快来学习下现在最火的 BERT 用的 Transformer 模型吧。
谷歌团队在 18 年提出的用于生成词向量的 BERT 算法在 NLP 的 11 项任务中取得了效果的大幅提升，堪称 2018 年深度学习领域最振奋人心的消息。而 BERT 算法的最重要的部分谷歌团队在 17 年发表的论文《 Attention Is All You Need 》中提出的 Transformer 的概念。
首先我们来复习下基于 RNN 的 Seq2Seq 模型中的 attention 机制，来通过下面的动画来大概了解下 attention 机制是用来干嘛的。
在机器翻译中常用的 Seq2Seq 模型中，加入 attention 机制是将每一个 encoder 的 RNN 的隐层都传递给 decoder，decoder 再做如下的 attention 分析，

下图是 attention 分析的细节:

Attention机制就是将 decoder的hidden state 和与每一个 encoder 的 hidden state 的做一个匹配程度的分析，然后给出一个评分，这里评分的机制有很多，可以用一个小的网络也可以用线性计算，然后将这些 score 用 Softemax 归一化，再和相对应的 hi 相乘，再把所有的 hi 累加起来形成新的 hidden state。也就是说，评分高的 hidden state 所占的比重多，评分低的就占比少。
先初始化一个 hidden state 和一个 end 标记的向量作为输入，得到一个 hidden state: h4, 再把 h4 和之前在 encoder 里面得到的所有隐藏状态 h1,h2,h3 做 attention 分析，得到最后的 C4,然后将 C4 和 h4 拼起来一起输入到一个前馈网络得到第一个词的输出。接下来就是将第一层的输出和得到的 h4,作为下一层的输入，做同样的操作，一直这样继续下去直到输出end 标记。

<br />在对attention 有一个大概的概念之后，我们来正式讲下这篇论文,论文作者提出了一个 Transformer 的模型，这个模型的特点主要在它是完全基于attention机制来做NLP，直接放弃了 RNN 和 CNN，也就是为什么这篇论文叫 Attention Is All You Need 的原因。放弃了 RNN 之后有一个很大的好处就是整个模型在训练的时候有更好的并行性，训练时间可以大大减少，因为用 RNN 模型的时候在 encoder 里面单词都要一个一个顺序输入，而在如果用 Transformer 可以直接输入一句句子。模型结构如下图所示：<br /> ![Transformer-model.png]( https://cdn.nlark.com/yuque/0/2019/png/388662/1566874806977-60036b11-a127-41b1-908d-b33e0ac499c3.png#align=left&display=inline&height=481&name=Transformer-model.png&originHeight=1154&originWidth=1113&size=106833&status=done&width=464)<br />这个模型看上去很复杂，其实相对于 RNN，要更简单一点，下面我们一点一点讲。<br />在 Transformer 中同样的有 encoders 和 decoders，encoder 对输入进行编码，decoder 对编码得到的结果进行解码，下图以黑盒的形式表现了模型的主要结构，输入被传输进 encoder，encoder 会传出一部分内容到 decoder，也会传一部分内容到下一层的 encoder，encoder 和 decoder 都有一个 Self-Attention 模块和 一个前馈网络模块，decoder 比 encoder 多一个 Encoder-Decoder Attention 模块，<br /> ![Transformer_decoder.png]( https://cdn.nlark.com/yuque/0/2019/png/388662/1566875060404-274cfa84-59ec-4dea-891c-ba7c8abc7a8b.png#align=left&display=inline&height=178&name=Transformer_decoder.png&originHeight=279&originWidth=879&size=38751&status=done&width=560)<br />这里的 Self-Attention 模块是整个结构的核心，我们先用一个例子来帮助大家理解下什么是 Self-Attention:<br />这里有句句子：The animal didn't cross the street because it was too tired<br />要让计算机理解这句句子，需要让计算机搞清楚里面的 

it 是指代那个单词，是 street 还是 animal ？也就是给输入的句子中每个单词之间一个相关性程度的判定。前文 RNN 的例子中的 attention 是输入与输出之间的 attention，而 self-attention 是句子内部之间的 attention。通过 attention 机制我们可以得到如下图的词汇之间的关联程度，It 与 The animal 关联程度最高。


在大概理解了什么是 Self-Attention 之后我们来看论文中作者是如何设计模型来做这种机制的。作者将设计的模型称为 Scaled Dot-Product Attention，如下图所示作者从输入中提取出了三个矩阵：Q，K，V。通过如下公式来做 Self-Attention 分析。


我们以机器翻译的例子来看这三个矩阵是如何提取的：


在这个例子中，首先利用 word embedding 技术将句子的词汇转换成向量，得到这里 x1,x2 向量作为模型的输入，论文里面的标准模型的词向量是 512 维，然后利用每个 xi 向量构建出三种向量：q (Query) , k (Key) ,v(Value)，构建方法是用 xi 对这里的 Wq , Wk 和 Wv 三个矩阵做内积，这里矩阵里面的数值也是作为参数学出来的。得到的三种向量他们的维度是可以和输入的 xi 不一样的,论文里面用的是 64。然后下图是评分的机制：

将每个 q 向量分别与其他所有 k 向量做内积，得到所有有向量在这个 qi 位置上所占的比重。也就是我们要的 Score，得到的 score 就代表了每个向量在当前位置所占的权值，然后为了让学习过程中的 gradient 更加稳定，作者将这些 score 做了一个缩放（除以根号 dk ），接下来就是把这些得到的新的scores去乘对应单词的 value 向量，最后再总的加起来得到这里的 z1 也就是我们要处理的 Attention 过后的结果。小编认为作者在这里给向量取的名字的意思是：q （ Query ）是每个单词像其他所有单词做一个询问，而 k(Key)是蕴含了词汇之间关系的信息，给每个单词的 Query 提供关系数值。而 v(Value) 蕴含的是词汇信息。但这也只是小编的猜测，论文中作者并没有明确说明。数学模型上就只是简单的向量之间的内积。经过这样的例子相信上面的公式应该很好理解了：


在实际的模型中，作者对刚刚的模型做了进一步的改进，作者称这个模型为 Multi-head attention，整个模型主要就是将多个 Scale Dot-Product Attention 模型堆叠起来，组成成新的模型（每个小模型对应一个 head，所以叫 Multi-Head ）如下图所示：

我们还是用上面那句话的例子来说明这样做的好处，如下图所示：

这张图是两个 head 得到的 attention 效果，可以看到 it 在一个 head 中主要把 attention 集中在 animal，而另一个集中在了 tired 上，很明显这样的对语义的理解是有帮助的。下面我们来看下具体结构：

和前面的模型一样，我们将输入做线性运算生成 Q，K，V 矩阵，不同的是我们这里定义 8 组不同的 Wq，Wk，Wv,生成八组不同的 Q，K，V 矩阵，也就是论文里说的 8 个 head,然后将 8 组不同的 QKV 用 这个公式生成 8 组 attention z0 到 z7，然后将 z0-z7 拼接起来和这里的 W0 做内积，得到最终的编码结果Z ,用来输入到后面的前向网络。
聪明的你看到这里肯定会发现这个模型直接放弃 RNN 会有一个缺点就是丢失了一定的词汇的顺序信息，就是哪个单词在前哪个单词在后都是对句子的意思是有影响的。所以作者提出了用 Postional encoding 的方法来弥补这个不足。如下图所示：


当输入的词汇经过 embedding 之后得到的向量并不是直接输入模型，而是要加上一个位置信息的向量，位置向量的计算公式如上图所示，作者在论文中并没有具体讲为什么用这样的公式，只说了因为这里用的三角函数可以让不同位置的 PE 值相互线性表示。作者也尝试了通过学习的方法来做这个位置信息，并取得了同样好的效果，但是用这里的公式计算速度更快。
模型的核心 Self-Attention 到此就讲完了，我们下面来看看 encoders 和 decoders 是如何一起工作的:
Input 经过刚刚讲的一系列的 encode 过程后，我们将每一层 encoder 生成的 K 和 V 矩阵传给 decoder，然后 decoder 输出和之前的 RNN 模型一样也是一个词一个词的输出。

decoder 先对自己当前得到的内容做一个 self-attention，生成的编码过后的 z 输入到前馈网络，网络的输出再输入到下一层的 Encoder-Decoder Attention 模块（从图片中可以看出作者用在网络的设计上用了残差网络的结构，把输入加到输出再传给下一层），Encoder-Decoder Attention 模块的机构是和 Self-Attention 模块是一样的，只是在获取 Q , K , V 矩阵的时候，模块只对前一层的输入生成 Q 矩阵，而 K 和 V 矩阵从对应层的 encoder 中获取，也就是解码 encoder 中的内容。
当得到 decoder 的最后一层输出后，我们将输出进行一个线性运算和 softmax 归一化得到每个单词的概率，取概率最大的单词输出。如下图所示：


实验：
作者用这个模型做了英德的翻译，下图是不同超参数的模型之间效果的对比：

可以看出这里最后一行最大的模型在 BLEU 评分上得到了最好的效果。
同时作者也做了英法的翻译与其他模型进行了对比：

可以看出最大的 Transformer 模型不光是在 BLEU 评分上比 RNN\CNN 高，而且计算量也更加少。

点此观看论文相关直播课程

关于我们

Mo（网址：momodel.cn）是一个支持 Python 的人工智能在线建模平台，能帮助你快速开发、训练并部署模型。

Mo 人工智能俱乐部是由网站的研发与产品设计团队发起、致力于降低人工智能开发与使用门槛的俱乐部。团队具备大数据处理分析、可视化与数据建模经验，已承担多领域智能项目，具备从底层到前端的全线设计开发能力。主要研究方向为大数据管理分析与人工智能技术，并以此来促进数据驱动的科学研究。

目前俱乐部每两周在杭州举办线下论文分享与学术交流。希望能汇聚来自各行各业对人工智能感兴趣的朋友，不断交流共同成长，推动人工智能民主化、应用普及化。