【课程总结】day19（中）：Transformer架构及注意力机制了解

日期： 2024-08-02
时间： 18:04
作者： Dongming
阅读量: 1,523

内容目录

前言

本章内容，我们将从注意力的基础概念入手，结合Transformer架构，由宏观理解其运行流程，然后逐步深入了解多头注意力、多头掩码注意力、融合注意力等概念及作用。

注意力机制（Attension）

背景

深度学习中的注意力机制（Attention Mechanism）是一种模仿人类视觉和认知系统的方法。

注意力的产生

如下图所示，人脑在看到一幅图像时是如何分配有限的注意力资源：红色区域表明视觉系统更加关注的区域。

人们会把注意力更多的投入到人的脸部、文本的标题以及文章的首句等位置。

注意力机制核心思想

模仿人的注意力分配方式，将输入数据的重要性动态地分配权重，从而提高模型的表现。

如上图：

小孩的脸部：重要，乘以一个较大的权重(如0.99)，突出重要性

图片的背景：不重要，乘以一个较小的权重(如0.01)，削弱重要性

注意力本质：关注的增强，不关注的减弱

公共底层架构Transformer

在了解注意力机制后，我们从人工智能的公共底层架构Transformer入手来逐步了解整体的运行机制。

背景回顾

在【课程总结】Day17（上）：NLP自然语言处理及RNN网络中，我们曾介绍过自然语言是具有时序性：

“狗追猫。”
“猫追狗。”

以上例子中，字都是相同的，但是字的顺序不同的，所表达的意思完全相反。

RNN的问题

为了处理上述时序数据，RNN通过循环结构，将每个时间步的输出作为下一时间步的输入，最终得到一个完整的输出序列。但这也随之带来了一些问题：

梯度消失与爆炸：传统 RNN 在处理长序列时，容易出现梯度消失或梯度爆炸的问题，导致训练困难。
训练时间较长：由于序列数据的特性，RNN 的训练时间通常较长，尤其是在长序列上。
并行化困难：RNN 的计算依赖于前一个时间步的输出，导致其在训练和推理时难以进行并行化，效率较低，无法有效利用硬件加速。

Transformer的优势

2017年：Google的研究团队在论文《Attention is All You Need》中首次提出了Transformer架构。该架构完全基于自注意力机制（self-attention），摒弃了传统的循环结构，极大地提高了并行处理能力和训练效率。

优势：

摆脱循环：Transformer 摆脱了循环，能够在训练和推理时进行并行化，大大提高效率。
并行化：Transformer 通过自注意力并行抽取特征，没有前后顺序的依赖，也就无从谈起信息遗忘。
可堆叠：有ResBlock和LayerNorm的加持，模型可以无限堆叠，重复越多，能力越大。
能力涌现：真正实现了量变到质变，能力发生了涌现。
所谓能力涌现是指：
- 早期人工智能：只是在既有数据基础上进行学习，然后可以模仿处理类似问题，这种能力只能点对点的解决特定问题，不能称为智能。
- Transformer及大模型：面临新的场景时，可以把自己老的经验和知识迁移过来，解决新的问题，这才是智能。这种能力也称之为能力涌现。

Transformer架构

整体架构

Transformer是一个典型的encoder-decoder结构。

关于encoder-decoder的内容回顾，可以查看【课程总结】Day17（下）：初始Seq2Seq模型，本文不再赘述。

宏观处理流程

由于Transformer的架构图有非常多的元素，直接深入细节可能不便于理解整体运行流程，所以我们对模型架构图做一些划分处理，以便从宏观维度理解整体的运行流程。

第一步：输入内容经过输入处理部分进行embedding以及位置编码，生成对应上文的词向量数据。
第二步：特征经过多头注意力处理部分进行特征抽取。
第三步：抽取的特征经过后处理部分进行非线性变换，以增强模型的表达能力和捕捉复杂特征，最终形成中间表达。
第四步：输出处理部分采用与输入处理部分的类似机制进行embedding和增加位置信息。(下文初始会增加<SOS>启动信号。)
第五步：输出词向量数据经过多头掩码注意力处理部分进行特征抽取。
第六步：融合处理部分将输入侧产生的中间表达与输出侧上文特征进行融合，即提供上文，让模型补充下文。
第七步：输出概率部分将融合处理部分产生的结果经过softmax进行概率分布，得到输出结果。
第八步：进行自回归循环，将产生的输出结果交给输出处理部分继续第四~第七步，直到输入<EOS>结束。

注意：
Transformer相比较RNN抛弃循环的部分，主要体现在上图浅蓝色的方框中，即通过注意力机制将RNN循环处理的方式一次性并行处理。

动图演示宏观处理过程：

输入处理部分

作用：解决序列数据不会丢失顺序的问题。由于Transformer取消了RNN的循环结构，其在处理特征时是并行处理，所以在输入部分需要引入Positional Encoding解决序列数据不会丢失顺序的问题。

以"狗追猫"为例：

原始输入："狗追猫"
经过分词："狗追猫"
经过word2idx之后："1 2 3"
此时inputs = [1, 2, 3]
经过embedding之后：(假设转换后的词向量如下)
- “狗” → [0.1,0.2,0.3,0.4]
- “追” → [0.5,0.6,0.7,0.8]
- “猫” → [0.9,1.0,1.1,1.2]
经过Positional Encoding：
- 第一步：计算位置编码：
  - 位置0的编码为 [0, 1, 0, 1]
  - 位置1的编码为 [0.0001, 1, 0.0001, 1]
  - 位置2的编码为 [0.0002, 1, 0.0002, 1]
- 第二步：将位置编码和词向量相加：
- 句子1：“狗追猫。”
  - 对于“狗”：[0.1,0.2,0.3,0.4]+[0,1,0,1]=[0.1,1.2,0.3,1.4]
  - 对于“追”：[0.5,0.6,0.7,0.8]+[0.0001,1,0.0001,1]≈[0.5001,1.6,0.7001,1.8]
  - 对于“猫”：[0.9,1.0,1.1,1.2]+[0.0002,1,0.0002,1]≈[0.9002,2.0,1.1002,2.2]
- 句子2：“猫追狗。”
  - 对于“猫”：[0.9,1.0,1.1,1.2]+[0,1,0,1]=[0.9,2.0,1.1,2.2]
  - 对于“追”：[0.5,0.6,0.7,0.8]+[0.0001,1,0.0001,1]≈[0.5001,1.6,0.7001,1.8]
  - 对于“狗”：[0.1,0.2,0.3,0.4]+[0.0002,1,0.0002,1]≈[0.1002,1.2,0.3002,1.4]

计算位置编码的方式一般是人工预设的方式计算出来。

以上Position的示例是由GPT辅助生成，我并没有深究，关于计算公式详情请见Positional Encoding

通过位置编码，Transformer能够有效地捕获“狗追猫”和“猫追狗”这两个句子中词语的位置信息，从而理解它们之间的关系和语义，进而达到时序数据并行计算。

编码encoder部分

对encoder结构归纳总结，其由两部分组成：前馈网络（Feed Forward）和自注意力（Self-Attention）。

自注意力（Self-Attention）

基本思想：在处理序列数据时，每个元素都可以与序列中的其他元素建立关联，而不仅仅是依赖于相邻位置的元素。

计算原则：关注的增强，不关注的减弱

具体方法：

输入表示：原始输入的词，经过变ID、embedding、位置编码等处理后，词向量序列(如图中 $PV^1$ ~ $PV^5$ )。
一分三：通过三个不同的线性变换，将每个词一分三为Q、K、V
- $Q = PVW_Q$ ：query 查询向量(作用：查询他人)
- $K = PVW_K$ ：key 关键词向量(作用：等着别人来查询)
- V = PVW_V：value 值向量(作用：代表该词的信息)
  - PV ：代表具有位置信息的词向量。
  - $W_Q$ 、 $W_K$ 、 $W_V$ ：代表三个公共的、可学习的权重矩阵。
计算注意力权重：通过计算查询与键的向量内积来获得相似度，然后进行缩放和softmax处理，归一化为注意力权重。
例如：q1与k1，q1与k2，q1与k3计算点积，然后除以 $\sqrt{d}$ 进行缩放和softmax处理为小数。
- ( d ) 是词向量维度。
加权求和：通过将每个元素与对应的注意力权重进行加权求和，可以得到自注意力机制的输出 $Z^1$ ~ $Z^5$ 。

多头注意力（Multi-Head Attention）

多头注意力机制是在自注意力机制的基础上发展起来的，是自注意力机制的变体，旨在增强模型的表达能力和泛化能力。

多头注意力在生成q、k、v时，会再分配多个q、k、v。（例如：上图是以2头为例，其中 $q^{i,1}$ 、 $q^{i,2}$ 即为 $q^i$ 分出的2个头）

具体方法：

输入表示：与自注意力相同。
一分三：对于每个注意力头 i，使用不同的线性变换矩阵来生成查询、键和值：
- 查询 $Q_i = X W_Q^i$
- 键 $K_i = X W_K^i$
- 值 V_i = X W_V^i
  - $W_Q^i$ 、 $W_K^i$ 、 $W_V^i$ 是每个头的可学习权重矩阵。
计算注意力权重：对于每个头计算注意力权重，方法同自注意力。
加权求和：加权求每个头的输出。
拼接输出：将每个头的输出拼接起来，得到最终的输出。
线性转换：将拼接后的输出通过线性变换矩阵得到最终的输出。

多头注意力的计算仅进行了简单地概念了解，具体的计算过程未做深究，如须了解请参考The Illustrated Transformer

解码decoder部分

输出处理部分

该部分的逻辑与encoder中的上文处理部分逻辑一致，所以不再赘述。

多头掩码注意力(Masked Multi-Head Attention)处理部分

多头掩码注意力(Masked Multi-Head Attention)比多头注意力(Multi-Head Attention)结构多了一个masked。所以首先搞清楚mask掩码的作用。

Mask掩码的作用：

作用1：处理非定长序列，区分 padding 和非 padding 部分
作用2：处理定长序列，区分不同时间步之间的依赖关系

pad mask

背景：
在NLP中，文本一般是不定长的，所以在进行 batch训练之前，要先进行长度的统一，其中过短的句子通过 padding 增加到固定的长度；但是 padding 对应的字符只是为了统一长度，padding参与运算等于让无效的部分参与了运算，这会影响模型的性能。

以上内容曾在【课程总结】Day18：Seq2Seq的深入了解也遇到过，Seq2Seq是通过传入实际的数据长度以略过padding部分。

在Transformer中，通过给无效区域加一个很大的负数偏置，使无效区域经过softmax计算之后得到的结果几乎为0，从而避免了无效区域参与计算。

subsequence mask

在语言模型中，常常需要从上一个词预测下一个词，但如果要在LM中应用 self attention 或者是同时使用上下文的信息，要想不泄露要预测的标签信息，就需要 mask 来“遮盖”它。

一个包括四个词的句子[A,B,C,D]，在计算了相似度scores之后，得到上面第一幅图
将scores的上三角区域mask掉，即替换为负无穷，再做softmax得到第三幅图。
这样，比如输入 B 在self-attention之后，也只和A，B有关，而与后序信息无关。

以上内容搬运自动图图解Transformer及其工程领域应用。

除此之外，其他功能与多头注意力一致，不再赘述。

融合注意力处理部分

融合处理部分的输入箭头中：

左侧两个是来自encoder的中间表达K和V
右侧一个箭头来自 decoder的输出
- 这部分功能是将encoder的输出与decoder的输出进行融合，从而得到一个完整的输出。

回顾Transformer的整体结构

详细的结构图(带有内部组件)

简化的结构图(带有动画效果)

内容小结

注意力机制是一种模仿人类视觉和认知系统的方法，其本质是：关注的增强，不关注的减弱
Transformer 架构基于自注意力机制（self-attention），摒弃了传统的RNN循环结构，极大地提高了并行处理能力和训练效率。
Transformer 是一个典型的seq2seq结构（encoder-decoder结构），
- 在endoder部分，主要由输入处理外挂和多头注意力处理组成；
- 在decoder部分，主要由输出处理外挂、多头掩码注意力、融合处理组成。
关于注意力
- 自注意力机制 在处理序列数据时，每个元素都可以与序列中的其他元素建立关联，而不仅仅是依赖于相邻位置的元素。
- 多头注意力机制 是在 自注意力机制 的基础上发展起来的，是自注意力机制的变体，旨在增强模型的表达能力和泛化能力。
- 多头掩码注意力(Masked Multi-Head Attention) 比 多头注意力(Multi-Head Attention) 结构多了一个masked。
- 融合注意力 是将encoder的输出与decoder的输出进行融合，从而得到一个完整的输出。
mask掩码有两种作用：
- 作用1：处理非定长序列，区分 padding 和非 padding 部分。
- 实现原理是：通过给无效区域加一个很大的负数偏置，使无效区域经过softmax计算之后得到的结果几乎为0，从而避免了无效区域参与计算。
- 作用2：处理定长序列，区分不同时间步之间的依赖关系，即从上一个词预测下一个词，避免"未来词"信息干扰。
- 实现原理是：在计算词的相似度scores之后，通过三角矩阵mask掉（即替换为负无穷）再做softmax，从而遮挡住"未来词"。
Transformer的decoder时通过自回归循环，将产生的输出结果交给输出处理部分重复进行多头注意力处理和融合注意力处理，直到输入<EOS>结束。