精华内容
下载资源
问答
  • 小白总结的Transformer
  • transformer模型原理

    千次阅读 2019-02-19 15:52:49
    让我们首先将模型看作一个黑盒子。在机器翻译应用程序中,它将使用一种语言的句子,并将其翻译输出到另一种语言中。 弹出Optimus Prime的优点,我们看到了编码组件,解码组件以及它们之间的连接。 编码组件是...

    原文链接:http://jalammar.github.io/illustrated-transformer/

     

    高级外观

    让我们首先将模型看作一个黑盒子。在机器翻译应用程序中,它将使用一种语言的句子,并将其翻译输出到另一种语言中。

    弹出Optimus Prime的优点,我们看到了编码组件,解码组件以及它们之间的连接。

    编码组件是一堆编码器(纸张堆叠其中六个相互叠加 - 没有什么神奇的六号,一个肯定可以尝试其他安排)。解码组件是相同数量的解码器的堆栈。

    编码器的结构完全相同(但它们不共享权重)。每一个都分为两个子层:

    编码器的输入首先流经自我关注层 - 这一层帮助编码器在输入句子中对其他单词进行编码时对其进行编码。我们会在帖子后面仔细观察自我关注。

    自我关注层的输出被馈送到前馈神经网络。完全相同的前馈网络独立应用于每个位置。

    解码器具有这两个层,但它们之间是一个关注层,帮助解码器关注输入句子的相关部分(类似于seq2seq模型中的注意事项)。

    将张量引入图片

    现在我们已经看到了模型的主要组成部分,让我们开始研究各种向量/张量以及它们如何在这些组件之间流动,以将训练模型的输入转换为输出。

    与NLP应用程序中的情况一样,我们首先使用嵌入算法将每个输入字转换为矢量。

     

     
    每个单词都嵌入到大小为512的向量中。我们将用这些简单的框表示这些向量。

    嵌入仅发生在最底部的编码器中。所有编码器通用的抽象是它们接收每个大小为512的向量列表 - 在底部编码器中将是嵌入字,但在其他编码器中,它将是编码器的输出直接在下面。这个列表的大小是我们可以设置的超参数 - 基本上它是我们训练数据集中最长句子的长度。

    在我们的输入序列中嵌入单词后,它们中的每一个都流过编码器的两个层中的每一层。

    在这里,我们开始看到Transformer的一个关键属性,即每个位置的单词在编码器中流经自己的路径。自我关注层中的这些路径之间存在依赖关系。然而,前馈层不具有那些依赖性,因此各种路径可以在流过前馈层时并行执行。

    接下来,我们将示例切换为更短的句子,我们将查看编码器的每个子层中发生的情况。

    现在我们正在编码!

    正如我们已经提到的,编码器接收矢量列表作为输入。它通过将这些向量传递到“自我关注”层,然后传递到前馈神经网络,然后将输出向上发送到下一个编码器来处理该列表。


    每个位置的单词都经过自编码过程。然后,它们各自通过一个前馈神经网络 - 完全相同的网络,每个矢量分别流过它。

    高水平的自我关注

    不要被我愚弄“自我关注”这个词,这是每个人都应该熟悉的概念。在阅读Attention is All You Need论文之前,我个人从未遇到过这个概念。让我们提炼它是如何工作的。

    假设以下句子是我们要翻译的输入句子:

    “ The animal didn't cross the street because it was too tired

    这句话中的“它”是指什么?它指的是街道还是动物?这对人类来说是一个简单的问题,但对算法来说并不简单。

    当模型处理单词“it”时,自我关注允许它将“it”与“animal”相关联。

    当模型处理每个单词(输入序列中的每个位置)时,自我注意允许它查看输入序列中的其他位置以寻找可以帮助更好地编码该单词的线索。

    如果您熟悉RNN,请考虑如何保持隐藏状态允许RNN将其已处理的先前单词/向量的表示与其正在处理的当前单词/向量合并。自我关注是变形金刚用来将其他相关单词的“理解”融入我们当前正在处理的单词中的方法。

     
    当我们在编码器#5(堆栈中的顶部编码器)中编码单词“it”时,注意机制的一部分集中于“动物”,并将其表示的一部分烘焙到“它”的编码中。

    请务必查看Tensor2Tensor笔记本,您可以在其中加载Transformer模型,并使用此交互式可视化对其进行检查。

    详细的自我关注

    让我们首先看看如何使用向量计算自我注意力,然后继续查看它是如何实际实现的 - 使用矩阵。

    第一步骤中计算自关注的是从每个编码器的输入向量的创建三个矢量(在这种情况下,每个字的嵌入)。因此,对于每个单词,我们创建一个Query向量,一个Key向量和一个Value向量。这些向量是通过将嵌入乘以我们在训练过程中训练的三个矩阵而创建的。

    请注意,这些新向量的尺寸小于嵌入向量。它们的维数为64,而嵌入和编码器输入/输出向量的维数为512.它们不必更小,这是一种架构选择,可以使多头注意力计算(大多数)不变。

     

     
    乘以X1WQ权重矩阵产生Q1,与该字相关联的“查询”载体。我们最终在输入句子中创建每个单词的“查询”,“键”和“值”投影。


     

    什么是“查询”,“关键”和“值”向量? 

    它们是抽象,有助于计算和思考注意力。一旦你继续阅读下面如何计算注意力,你就会知道你需要知道的每个这些向量的作用。

    第二个步骤中计算自注意的是,计算得分。假设我们正在计算这个例子中第一个单词“思考”的自我关注。我们需要根据这个词对输入句子的每个单词进行评分。当我们在某个位置编码单词时,分数决定了对输入句子的其他部分放置多少焦点。

    通过将查询向量的点积与我们得分的相应单词的关键向量计算得分。因此,如果我们处理位置#1中单词的自我关注,则第一个分数将是q1k1的点积。第二个分数是q1k2的点积。

     

     

     

    第三和第四步骤是由8(在造纸中使用的密钥向量的维数的平方根来划分的分数。 - 64。这导致具有更稳定的梯度有可能是这里其他可能的值,但这是默认),然后通过softmax操作传递结果。Softmax将分数标准化,因此它们都是正数并且加起来为1。

     

     

    该softmax分数确定每个单词在该位置表达的程度。很明显,这个位置的单词将具有最高的softmax分数,但有时候关注与当前单词相关的另一个单词是有用的。

     

    所述第五步骤是由SOFTMAX得分乘以每个值向量(准备中总结起来)。这里的直觉是保持我们想要关注的单词的值不变,并淹没不相关的单词(例如,通过将它们乘以像0.001这样的小数字)。

    第六步骤是要总结的加权值向量。这会在此位置产生自我关注层的输出(对于第一个单词)。

     

     

    结论是自我关注计算。得到的矢量是我们可以发送到前馈神经网络的矢量。然而,在实际实现中,该计算以矩阵形式完成,以便更快地进行处理。现在让我们看一下,我们已经看到了单词级别计算的直觉。

    自我注意的矩阵计算

    第一步是计算Query,Key和Value矩阵。我们通过将嵌入包装到矩阵X中,并将其乘以我们训练过的权重矩阵(WQWKWV)来实现。

     
    X矩阵 中的每一行对应于输入句子中的一个单词。我们再次看到嵌入向量的大小差异(图中512或4个方框)和q / k / v向量(图中64或3个方框)

     

    最后,由于我们正在处理矩阵,我们可以在一个公式中浓缩步骤2到6来计算自我关注层的输出。

     
    矩阵形式的自我关注计算

     

     

    有许多头的野兽

    本文通过增加一种称为“多头”关注的机制,进一步完善了自我关注层。这以两种方式改善了关注层的性能:

    1. 它扩展了模型关注不同位置的能力。是的,在上面的例子中,z1包含了所有其他编码的一点点,但它可能由实际的单词本身支配。如果我们翻译一句“动物没有过马路,因为它太累了”,我们会想知道“它”指的是哪个词,这将是有用的。

    2. 它给予关注层多个“表示子空间”。正如我们接下来将看到的,我们不仅有一个,而且还有多组Query / Key / Value权重矩阵(Transformer使用8个注意头,因此我们最终为每个编码器/解码器设置了8个) 。这些集合中的每一个都是随机初始化的。然后,在训练之后,每组用于将输入嵌入(或来自较低编码器/解码器的矢量)投影到不同的表示子空间中。


    通过多头注意,我们为每个磁头维护单独的Q / K / V权重矩阵,从而得到不同的Q / K / V矩阵。正如我们之前所做的那样,我们将X乘以WQ / WK / WV矩阵以产生Q / K / V矩阵。


    如果我们进行上面概述的相同的自我关注计算,只有八个不同的时间使用不同的权重矩阵,我们最终得到八个不同的Z矩阵

     

    这让我们面临一些挑战。前馈层不期望八个矩阵 - 它期望单个矩阵(每个字的向量)。所以我们需要一种方法将这八个压缩成一个矩阵。

    我们怎么做?我们将矩阵连接起来然后通过另外的权重矩阵WO将它们多个。

    这就是多头自我关注的全部内容。我意识到这是一小部分矩阵。让我尝试将它们全部放在一个视觉中,这样我们就可以在一个地方看到它们

     

     

    现在我们已经触及了注意力的头,让我们重新审视我们之前的例子,看看不同的注意力头在哪里聚焦,因为我们在我们的例句中编码“it”这个词:

     
    当我们对“它”这个词进行编码时,一个注意力的焦点主要集中在“动物”上,而另一个注意力集中在“疲惫” - 从某种意义上说,模型对“它”这个词的表现形式在某些表现形式中有所表现。 “动物”和“疲倦”。

     

    但是,如果我们将所有注意力添加到图片中,那么事情可能更难理解:

     

    使用位置编码表示序列的顺序

    到目前为止,模型中缺少的一件事就是考虑输入序列中单词顺序的一种方法。

    为了解决这个问题,变换器为每个输入嵌入添加了一个向量。这些向量遵循模型学习的特定模式,这有助于确定每个单词的位置,或者序列中不同单词之间的距离。这里的直觉是,将这些值添加到嵌入中,一旦它们被投影到Q / K / V向量中并且在点积注意期间,就在嵌入向量之间提供有意义的距离。

     


    为了给模型一个单词顺序的感觉,我们添加位置编码向量 - 其值遵循特定模式。

     

    如果我们假设嵌入的维数为4,那么实际的位置编码将如下所示:


    玩具嵌入大小为4的位置编码的真实示例

     

    这种模式可能是什么样的?

    在下图中,每行对应矢量的位置编码。因此第一行将是我们添加到输入序列中嵌入第一个单词的向量。每行包含512个值 - 每个值的值介于1和-1之间。我们对它们进行了颜色编码,使图案可见。


    嵌入大小为512(列)的20个字(行)的位置编码的真实示例。你可以看到它在中心区域分成两半。这是因为左半部分的值由一个函数(使用正弦)生成,而右半部分由另一个函数(使用余弦)生成。然后将它们连接起来以形成每个位置编码矢量。

    位置编码的公式在论文(第3.5节)中描述。您可以在中查看用于生成位置编码的代码get_timing_signal_1d()。这不是位置编码的唯一可能方法。然而,它具有能够扩展到看不见的序列长度的优点(例如,如果要求我们训练的模型翻译句子的时间长于训练集中的任何一个句子)。

    剩余物

    在继续之前我们需要提到的编码器架构中的一个细节是每个编码器中的每个子层(自注意,ffnn)在其周围具有残余连接,然后是层规范化步骤。

     

    如果我们要将矢量和与自我关注相关的图层规范操作可视化,它将如下所示:

     

    这也适用于解码器的子层。如果我们想到2个堆叠编码器和解码器的变压器,它看起来像这样:

    解码器端

    既然我们已经涵盖了编码器方面的大多数概念,我们基本上都知道解码器的组件是如何工作的。但是让我们来看看它们如何协同工作。

    编码器通过处理输入序列开始。然后将顶部编码器的输出变换成一组关注矢量K和V.这些将由每个解码器在其“编码器 - 解码器关注”层中使用,这有助于解码器关注输入序列中的适当位置:


    完成编码阶段后,我们开始解码阶段。解码阶段中的每个步骤输出来自输出序列的元素(在这种情况下为英语翻译句子)。

    以下步骤重复此过程,直至特殊 到达符号表示变压器解码器已完成其输出。在下一个时间步骤中,每个步骤的输出被馈送到底部解码器,并且解码器像编码器那样冒泡它们的解码结果。就像我们对编码器输入所做的那样,我们在这些解码器输入中嵌入并添加位置编码,以指示每个字的位置。

    解码器中的自关注层以与编码器中的自注意层略有不同的方式操作:

    在解码器中,仅允许自我关注层关注输出序列中的较早位置。这是通过-inf在自我关注计算中的softmax步骤之前屏蔽未来位置(将它们设置为)来完成的。

    “编码器 - 解码器注意”层就像多头自我注意一样,除了它从它下面的层创建其查询矩阵,并从编码器堆栈的输出中获取键和值矩阵。

    最终线性和Softmax层

    解码器堆栈输出浮点数向量。我们如何将其变成一个单词?这是最终线性层的工作,其后是Softmax层。

    线性层是一个简单的完全连接的神经网络,它将解码器堆栈产生的矢量投影到一个更大,更大的矢量中,称为logits矢量。

    让我们假设我们的模型知道10,000个独特的英语单词(我们的模型的“输出词汇表”),它是从训练数据集中学到的。这将使logits矢量10,000个细胞宽 - 每个细胞对应于一个唯一单词的得分。这就是我们如何解释线性层后面的模型输出。

    然后softmax层将这些分数转换为概率(全部为正,全部加起来为1.0)。选择具有最高概率的单元,并且将与其相关联的单词作为该时间步的输出。

     

     
    该图从底部开始,矢量产生为解码器堆栈的输出。然后它变成输出字。

     

    回顾培训

    现在我们已经通过训练有素的变压器覆盖了整个前进过程,看一下培训模型的直觉是有用的。

    在训练期间,未经训练的模型将通过完全相同的前进传球。但是,由于我们在标记的训练数据集上训练它,我们可以将其输出与实际正确的输出进行比较。

    为了想象这一点,让我们假设我们的输出词汇只包含六个单词(“a”,“am”,“i”,“thanks”,“student”和“<eos>”(“句末”的缩写)) 。


    在我们开始训练之前,我们模型的输出词汇是在预处理阶段创建的。

    一旦我们定义了输出词汇表,我们就可以使用相同宽度的向量来表示词汇表中的每个单词。这也称为单热编码。例如,我们可以使用以下向量指示单词“am”:


    示例:我们的输出词汇表的单热编码

    在回顾一下之后,让我们讨论一下模型的损失函数 - 我们在训练阶段优化的指标,以引导一个训练有素且令人惊讶的精确模型。

    损失函数

    假设我们正在训练我们的模型。说这是我们在训练阶段的第一步,我们正在训练它的一个简单例子 - 将“merci”翻译成“谢谢”。

    这意味着,我们希望输出是指示“谢谢”一词的概率分布。但由于这种模式还没有接受过训练,所以这种情况不太可能发生。


    由于模型的参数(权重)都是随机初始化的,(未经训练的)模型产生的概率分布具有每个单元/单词的任意值。我们可以将它与实际输出进行比较,然后使用反向传播调整所有模型的权重,使输出更接近所需的输出。

     

    你如何比较两个概率分布?我们简单地从另一个中减去一个。有关更多详细信息,请查看 交叉熵Kullback-Leibler散度

    但请注意,这是一个过于简单的例子。更现实的是,我们将使用长于一个单词的句子。例如 - 输入:“jesuisétudiant”和预期输出:“我是学生”。这真正意味着,我们希望我们的模型能够连续输出概率分布,其中:

    • 每个概率分布由宽度为vocab_size的向量表示(在我们的玩具示例中为6,但更实际地是3,000或10,000的数字)
    • 第一概率分布在与单词“i”相关联的单元处具有最高概率
    • 第二概率分布在与单词“am”相关联的单元格中具有最高概率
    • 依此类推,直到第五个输出分布表示' <end of sentence>'符号,其中还有一个与10,000元素词汇表相关联的单元格。


    我们将在一个样本句子的训练示例中训练我们的模型的目标概率分布。

     

    在足够大的数据集上训练模型足够的时间之后,我们希望产生的概率分布看起来像这样:


    希望通过培训,模型将输出我们期望的正确翻译。当然,这个短语是否是训练数据集的一部分并不是真正的指示(参见:交叉验证)。请注意,即使不太可能是该时间步的输出,每个位置都会获得一点概率 - 这是softmax非常有用的属性,有助于训练过程。

    现在,因为模型一次生成一个输出,我们可以假设模型从该概率分布中选择具有最高概率的单词并丢弃其余的单词。这是一种方法(称为贪婪解码)。另一种方法是保持前两个词(例如,'I'和'a'),然后在下一步中,运行模型两次:一旦假设第一个输出位置是单词'I',另一次假设第一个输出位置是'me'这个单词,考虑到#1和#2的位置,保留的是哪个版本产生的错误较少。我们重复这个位置#2和#3 ......等。这种方法称为“波束搜索”,在我们的例子中,beam_size是两个(因为我们在计算位置#1和#2的波束后比较了结果),和top_beams也是两个(因为我们保留了两个单词)。这些都是您可以尝试的超参数。

     

     

     

    展开全文
  • 【NLP】Transformer模型原理详解 966 人赞同了该文章 大家好,我是在算法前沿旋转跳跃的焦燥女青年rumor。 注:文末附上我总结的BERT面试点&相关模型汇总,还有NLP组队学习群的加群方式~ 自Attention...

    【NLP】Transformer模型原理详解

    【NLP】Transformer模型原理详解

     

     

     

    自Attention机制提出后,加入attention的Seq2seq模型在各个任务上都有了提升,所以现在的seq2seq模型指的都是结合RNN和attention的模型。之后google又提出了解决Seq2Seq问题的Transformer模型,用全attention的结构代替了lstm,在翻译任务上取得了更好的成绩。本文主要介绍《Attention is all you need》这篇文章,自己在最初阅读的时候还是有些不懂,希望可以在自己的解读下让大家更快地理解这个模型^ ^

    Attention原理还不熟悉的可以看:

    1. 模型结构

    模型结构如下图:

    和大多数seq2seq模型一样,transformer的结构也是由encoder和decoder组成。

    1.1 Encoder

    Encoder由N=6个相同的layer组成,layer指的就是上图左侧的单元,最左边有个“Nx”,这里是x6个。每个Layer由两个sub-layer组成,分别是multi-head self-attention mechanism和fully connected feed-forward network。其中每个sub-layer都加了residual connection和normalisation,因此可以将sub-layer的输出表示为:

     

    接下来按顺序解释一下这两个sub-layer:

    • Multi-head self-attention

    熟悉attention原理的童鞋都知道,attention可由以下形式表示:

    multi-head attention则是通过h个不同的线性变换对Q,K,V进行投影,最后将不同的attention结果拼接起来:

    self-attention则是取Q,K,V相同。

    另外,文章中attention的计算采用了scaled dot-product,即:

    作者同样提到了另一种复杂度相似但计算方法additive attention,在  很小的时候和dot-product结果相似,大的时候,如果不进行缩放则表现更好,但dot-product的计算速度更快,进行缩放后可减少影响(由于softmax使梯度过小,具体可见论文中的引用)。

    • Position-wise feed-forward networks

    这层主要是提供非线性变换。Attention输出的维度是[bsz*seq_len, num_heads*head_size],第二个sub-layer是个全连接层,之所以是position-wise是因为过线性层时每个位置i的变换参数是一样的。

    1.2 Decoder

    Decoder和Encoder的结构差不多,但是多了一个attention的sub-layer,这里先明确一下decoder的输入输出和解码过程:

    • 输出:对应i位置的输出词的概率分布
    • 输入:encoder的输出 & 对应i-1位置decoder的输出。所以中间的attention不是self-attention,它的K,V来自encoder,Q来自上一位置decoder的输出
    • 解码:这里要注意一下,训练和预测是不一样的。在训练时,解码是一次全部decode出来,用上一步的ground truth来预测(mask矩阵也会改动,让解码时看不到未来的token);而预测时,因为没有ground truth了,需要一个个预测。

    文末附上我总结的BERT面试点&相关模型汇总,还有NLP组队学习群的加群方式~明确了解码过程之后最上面的图就很好懂了,这里主要的不同就是新加的另外要说一下新加的attention多加了一个mask,因为训练时的output都是ground truth,这样可以确保预测第i个位置时不会接触到未来的信息。

    加了mask的attention原理如图(另附multi-head attention):

    1.3 Positional Encoding

    除了主要的Encoder和Decoder,还有数据预处理的部分。Transformer抛弃了RNN,而RNN最大的优点就是在时间序列上对数据的抽象,所以文章中作者提出两种Positional Encoding的方法,将encoding后的数据与embedding数据求和,加入了相对位置信息。

    这里作者提到了两种方法:

    1. 用不同频率的sine和cosine函数直接计算
    2. 学习出一份positional embedding(参考文献

    经过实验发现两者的结果一样,所以最后选择了第一种方法,公式如下:

    作者提到,方法1的好处有两点:

    1. 任意位置的  都可以被  的线性函数表示,三角函数特性复习下:

    2. 如果是学习到的positional embedding,(个人认为,没看论文)会像词向量一样受限于词典大小。也就是只能学习到“位置2对应的向量是(1,1,1,2)”这样的表示。所以用三角公式明显不受序列长度的限制,也就是可以对 比所遇到序列的更长的序列 进行表示。

    2. 优点

    作者主要讲了以下三点:

    1. Total computational complexity per layer (每层计算复杂度)

    2. Amount of computation that can be parallelized, as mesured by the minimum number of sequential operations required

    作者用最小的序列化运算来测量可以被并行化的计算。也就是说对于某个序列 ,self-attention可以直接计算  的点乘结果,而rnn就必须按照顺序从 [公式] 计算到 [公式]

    3. Path length between long-range dependencies in the network

    这里Path length指的是要计算一个序列长度为n的信息要经过的路径长度。cnn需要增加卷积层数来扩大视野,rnn需要从1到n逐个进行计算,而self-attention只需要一步矩阵计算就可以。所以也可以看出,self-attention可以比rnn更好地解决长时依赖问题。当然如果计算量太大,比如序列长度n>序列维度d这种情况,也可以用窗口限制self-attention的计算数量

    4. 另外,从作者在附录中给出的栗子可以看出,self-attention模型更可解释,attention结果的分布表明了该模型学习到了一些语法和语义信息

    3. 缺点

    缺点在原文中没有提到,是后来在Universal Transformers中指出的,在这里加一下吧,主要是两点:

    1. 实践上:有些rnn轻易可以解决的问题transformer没做到,比如复制string,或者推理时碰到的sequence长度比训练时更长(因为碰到了没见过的position embedding)
    2. 理论上:transformers非computationally universal(图灵完备),(我认为)因为无法实现“while”循环

    4. 总结

    Transformer是第一个用纯attention搭建的模型,不仅计算速度更快,在翻译任务上获得了更好的结果,也为后续的BERT模型做了铺垫。

    ---

    欢迎初入NLP领域的小伙伴们加入rumor建立的「NLP卷王养成群」一起学习,添加微信「leerumorrr」备注知乎+NLP即可,群里的讨论氛围非常好~

    ---

    肝了BERT的面试知识点和相关前沿模型,下面的链接可以直接下载~

    BERT面试知识点+前沿模型整理​mp.weixin.qq.com/s/nPVbgOBOPs5VjW6_U-Om3w正在上传…重新上传取消​

    相关阅读:

    参考资料:

    GavinNLP星空对话机器人Transformer课程片段2揭示了Transformer最核心的数学原理:贝叶斯公式的数学内幕,并提供注意力机制代码实现、及通过对Transformer可视化来展示其内部的工作机制,通俗易懂的阐述了NLP生成语言模型中贝叶斯公式的数学本质。
     
     
    GavinNLP星空对话机器人Transformer课程片段3以对话机器人的流式架构为例阐述Transformer学习的第三境界,以对话机器人为例揭示了Transformer在星空智能对话输入、输出、上下文对话状态信息中,将人、机器人、交互反馈形成向量事件流的星空境界。  

    展开全文
  • 文档:3.Transformer模型原理详解.note 链接:http://note.youdao.com/noteshare?id=4f653097ec5d6a0c9cbb90f73dddbc10&sub=AF43EE70238248F0A6168EDABA1241C0 个人觉得总结的还是很浅显易懂的,希望帮助到...

    文档:3.Transformer模型原理详解.note
    链接:http://note.youdao.com/noteshare?id=4f653097ec5d6a0c9cbb90f73dddbc10&sub=AF43EE70238248F0A6168EDABA1241C0

    个人觉得总结的还是很浅显易懂的,希望帮助到初学者,可以留言评论哦!!!

    本人日常习惯写在有道云笔记里面了,上面是有道云的链接,点开即看,可以评论哦,欢迎评论(*^▽^*)!!!

     

    我也附上了PDF版本,里面有部分图片格式小异常,但完全不影响观看!!!

    (见CSND的资源部分)

     

     

    展开全文
  • 谷歌的Transformer模型最早是用于机器翻译任务,当时达到了STOA效果。 Transformer改进了RNN最被人诟病的训练慢的缺点,利用self-attention机制实现快速并行。并且Transformer可以增加到非常深的深度,充分发掘DNN...

    划时代的产物

    在2018年,谷歌推出了BERT模型之后,该模型在11项NLP任务中夺得STOA结果,引爆了整个NLP界。而BERT取得成功的一个关键因素是Transformer的强大作用。谷歌的Transformer模型最早是用于机器翻译任务,当时达到了STOA效果。

    Transformer改进了RNN最被人诟病的训练慢的缺点,利用self-attention机制实现快速并行。并且Transformer可以增加到非常深的深度,充分发掘DNN模型的特性,提升模型准确率。在本文中,我们将研究Transformer模型,把它掰开揉碎,理解它的工作原理。

    近期发现,在图像识别领域,Transformer表现出来的效果出乎意料的好,竟然有取代CNN的势头!

    传统的解决方案遇到的问题

    传统的RNN

    • 传统的RNN有依赖关系,不能实现并行,但是Transformer可以
    • Self-Attention注意力机制来进行并行计算,在输入与输出相同
    • 输出的结果是同时被计算出来的,现在基本已经取代了RNN

    模型对比

    在这里插入图片描述

    传统的word2vec

    • 使用词向量模型,是预先对词语训练好词向量,然后这个向量就不变了,然后去寻找文本中的词,将其转换为词向量,再输入到RNN中网络模型中。

      但是呢,相同的词在不同的语境中,表达的意思可能不同,例如:干哈捏。

    • 使用BERT模型,可以考虑到上下文的影响,在不同的输入当中,对应词向量也就不同了哦。太牛了吧!

    如图:两句话中的it就是不同的,指代的意思也不同!

    在这里插入图片描述

    注意力机制的作用

    提取特征的时候,什么是重点,就是去发现你的数据的重点在哪。如下图,我们前面输入了一个序列,当我不强调哪个词重要,我得到的结果可能是平行的。

    在这里插入图片描述

    但是呢,这个判断过程不是你认为加进去的,是交给计算机,让他去判断的哦!!!

    在一句话中,每一个词(中文是字),都会结合上下文判断句子中其余词和自己关系的远近,如图,it中animal就关系影响很大:

    在这里插入图片描述

    self-attention如何计算

    整体流程如下

    在这里插入图片描述

    ①首先将x1、x2两个词进行编码得到向量

    在这里插入图片描述

    ②经过计算得到每个词的三个特征矩阵Q、K、V

    在这里插入图片描述

    Q:第一个词做了啥贡献、第二个词做了啥贡献,就要去查一查和第一个词关系咋样,和第二个词关系咋样。

    K:被查的,q1和k1就是第一个词的与第一个词的关系,q1和k2就是第一个词和第二个词的关系。

    V:每个关系都查到了,关系大的多点输入,关系少的少点输入,v1就代表x1的特征表达,v2就代表x2的特征表达,表示实际的特征信息

    ③回顾

    在这里插入图片描述

    计算q1·k1是使用内积计算的,当线性无关的时候就会垂直,即内积为0,当相关性越大,关系就越大哦!

    ④最终的value计算

    softmax计算流程

    分值->e^x->归一化

    在这里插入图片描述

    计算每一个词语对该词语的影响权重,计算公式:

    在这里插入图片描述

    然后再计算对应词的value与计算到的权重的乘积之和,就能得到第一个词的影响力。如下图所示:

    在这里插入图片描述

    在这里插入图片描述

    ⑤整体回顾

    在这里插入图片描述

    再次声明:咱们的计算是并行加速计算的,即使用矩阵乘法(不是使用for循环,多low哦)!直接就出来了,是不是很牛批,呜呜呜我爱线代❤️

    multi-head(多头机制)的作用

    一个词已经得到了一个q、k、v,参考卷积神经网络的卷积和与特征图,我们一组qkv得到了一种特征表达,如果能有多种qkv,我们就能得到多种当前特征的表达。

    多头不是越多越好,一般而言是8个。

    在这里插入图片描述

    堆叠在一起,得到最后的注意力!嘿嘿,机智哦宝贝!!!

    在这里插入图片描述

    这是两个头,图中可以看到,和自己的注意力是挺大的,离得越远可能就注意力会小一下

    在这里插入图片描述

    堆叠多层:经过多头机制,一个不太好看的向量转化为了差不多的向量,我们重复多次提取,得到最后好看的向量!

    在这里插入图片描述

    位置编码与归一化

    位置编码

    在self-attention中每个词都会考虑整个序列的加权,所以其出现位置并不会对结果产生什么影响,相当于放哪都无所谓,但是这跟实际就有些不符合了,例如:我今天下午想去打球,肯定下午和打球是重点呀,于是我们希望模型能对位置有额外的认识。

    这个人家已经写好了,不用管太多,BERT是使用正弦周期变化来进行位置编码。

    归一化

    下图所示,self-attention之后呢,有一个LayerNorm归一化,但是,什么叫对层进行归一化??

    LayerNorm就是没有Batch概念了,对他的一组数据,使得均值为0,平方差为1。

    在这里插入图片描述

    虚线部分是连接,用的是基本的残差连接方式,得到两个数据,模型自己去选择,至少不比原来差

    在这里插入图片描述

    整体梳理

    多了Decoder-Encoder-attention机制

    在这里插入图片描述

    在这里插入图片描述

    除了self-attention机制之外,BERT还加入了Decoder-Encoder-attention机制,充分利用数据的特征,通过Q来从解码器中查一查编码器中的K、V对应的是啥。

    加入了MASK机制(别透题)

    比如使用机器翻译,当前词无法使用后面词的信息,但是又不得不考虑,因此我们引入MASK机制,前面有的我们就能用,后面没有的我们就是当做黑盒子。

    在这里插入图片描述

    最终输出结果

    就是得到一个分类,经过Softmax层即可

    在这里插入图片描述

    效果展示

    在这里插入图片描述

    经过训练,计算机可以知道it指代的是什么。天呐,计算机要成神了!!!

    展开全文
  • Transformer原理

    千次阅读 2019-05-29 00:33:59
    Transformer原理 BERT的原理 利用预训练的BERT模型将句子转换为句向量,进行文本分类1 Transformer原理 和大多数seq2seq模型一样,transformer的结构也是由encoder和decoder组成。 Encoder Encoder由N=6个相同的...
  • transformer模型详解

    千次阅读 2018-12-20 21:10:43
    论文综述: Attention Is All You Need这篇论文主要介绍了一种新的机器翻译模型,该模型开创性的...总结了两个模型的优缺点并在此基础上提出了基于自注意力机制的翻译模型transformer,transformer模型没有使用CN...
  • Transformer模型详解

    万次阅读 多人点赞 2019-01-11 12:32:01
    这篇论文中提出一个全新的模型,叫 Transformer,抛弃了以往深度学习任务里面使用到的 CNN 和 RNN ,目前大热的Bert就是基于Transformer构建的,这个模型广泛应用于NLP领域,例如机器翻译,问答系统,文本摘要和语音...
  • Transformer原理解析、理解

    千次阅读 2020-08-01 09:52:57
    自然语言处理中的Transformer模型真正改变了我们处理文本数据的方式。Transformer是最近自然语言处理发展的幕后推手,包括Google的BERT(Bidirectional Encoder Representations from Transformers),来自Transformer...
  • 图一就是Transformer模型的框架,不过这里的encoder和decoder不再是RNN结构,拆开来看,细节如图二:原始论文里,作者设置了6层encoder与6层decoder结构。至于为什么是6,这就是一个超参数而已,可以根据实际情况...
  • Machine Learning 机器学习算法python实现,持续更新中。。。 包括感知机,K-近邻,决策树,朴素贝叶斯,逻辑回归
  • Transformer原理解析

    2021-08-18 23:25:38
    Transformer RNN的提供了一种对带有时序依赖关系的数据更好的建模方式,常用的seq2seq结构使RNN可以输入输出的维度不一样,解决了某一些文本问题(如翻译),带有Attention的seq2seq结构使decoder部分不再完全依赖...
  • 文章均从个人微信公众号“AI牛逼顿”转载,文末扫码,欢迎关注! 距离上一篇的对联生成有...今天要介绍的模型框架依然是encoder-decoder,不过模型只采用attention机制。目的就是要避免使用RNN结构,提高并行效率(...
  • 视频来源YouTube,版权归属原作者Shusen Wang
  • vit模型transformer在图像分类领域的首次成功尝试; 但是其需要基于大量数据去预训练模型;除了训练难度,现有的 Visual Transformer 参数量和计算量多大,比如 ViT 需要 18B FLOPs 在 ImageNet 达到 78% 左右 ...
  • transformer模型的工作原理和语言模型BERT 1,概述 《Attention Is All You Need》是一篇Google提出的将Attention思想发挥到极致的论文。这篇论文中提出一个全新的模型,叫 Transformer,抛弃了以往深度学习任务里面...
  • transformer语言模型原理解读

    千次阅读 2019-05-20 15:59:00
    Product)2.2.2 具体计算过程:2.3 多头注意力三、位置编码(Positional Encoding)四、残差和前馈(Feed Forward)4.1 为什么残差[3]4.2 前馈五、训练-模型的参数在哪里六、参考文献 一、简介 基于假设:一个词在句子...
  • Transformer 模型详解

    2021-05-22 22:59:13
    本内容主要介绍 Transformer 模型的具体实现。
  • Transformer模型介绍

    2021-05-24 10:40:14
    self-attention机制 假设有这么一句话:The animal didn’t cross the street, because it was too tired. 上面的句子总共11个单词。如果我们想知道第8个单词it指代的是什么,我们人很轻易的就知道它指代的是animal...
  • 自然语言处理中的Transformer模型真正改变了我们处理文本数据的方式。Transformer是最近自然语言处理发展的幕后推手,包括Google的BERT。了解Transformer的工作原理、它如何与语言建模、序列到序列建模相关,以及它...
  • Transformer 模型

    2020-12-01 21:13:20
    转载:BERT大火却不懂Transformer?...谷歌的Transformer模型最早是用于机器翻译任务,当时达到了STOA效果。Transformer改进了RNN最被人诟病的训练慢的缺点,利用self-attention机制实现快速并行。并且Tr.
  •  在介绍Transformer模型之前,先来回顾Encoder-Decoder中的Attention。其实质上就是Encoder中隐层输出的加权和,公式如下:    将Attention机制从Encoder-Decoder框架中抽出,进一步抽象化,其本质上如下图 ...
  • 2019-11-27 05:02:16 作者 | 刘旺旺 编辑 | 唐里 TENER: Adapting Transformer Encoder for Name Entity Recognition ...Transformer 模型以其良好的并行性能力以及出色的效果,被广泛应用于n...
  • 首先从整体上看一下Transformer的结构:从图中可以看出,整体上Transformer由四部分组成:Inputs:Inputs=WordEmbedding(Inputs)+PositionalEmbeddingInputs=WordEmbedding(Inputs)+PositionalEmbeddingInputs=Word...
  • 搭建Transformer模型

    2021-07-18 22:02:46
    本文使用Attention层与Self-Attention层搭建深度神经网络——Transformer模型。 本人全部文章请参见:博客文章导航目录 本文归属于:NLP模型原理与应用系列 前文:Attention is all you need:剥离RNN,保留...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 7,506
精华内容 3,002
关键字:

transformer模型原理