[人工智能]Transformer

摘要

针对于机器翻译问题，常见的解决思路是基于RNN或者CNN，这些神经网络中包含一个encoder和decoder。性能表现最好的模型会在encoder和decoder之间使用attention来将这两个结构连接起来。本文提出了Transformer，完全基于attention，并摒弃了RNN和CNN。Transformer在机器翻译任务上的表现很好，有望推广到其他领域。

介绍

在机器翻译的领域中，常用的RNN模型有LSTM和GRU网络模型。它们主要存在的问题是，输出有时序性，即当下的输出，依赖于前一个的输出，使得无法进行并行计算。也有一些方法的提出可以加快模型的训练，但是是治标不治本，没有从根本上解决这个RNN的顺序计算的问题。

在现有的模型中，RNN一般和attention机制相结合，attention主要将encoder的内容有效的传递给decoder。

Transformer完全避免了RNN，全部基于attention，可以进行并行化，可以在8个P100的GPU上进行12小时的训练，达到一个好的机器翻译的结果。

背景

由于RNN存在的顺序计算的问题，不能进行并行化计算，有许多网络提出使用CNN。可以并行计算输出和输入之间的隐藏表示。CNN对于长序列难以建模，但优点是可以并行计算，且存在多个输出通道，可以来识别不同的模式。为了达到CNN的多个输出通道的效果，Transformer使用多头注意力机制。

模型架构

编码器attention中同样的输入，作为Query、Key、Value。
masked也是同样如此，为了保持自回归（t看不到t后的输出），将t后的值设置为很小，使得经过softmax后，可以在t后的层输出概率为0。
解码器的attention的Q、K来自编码器，V来自masked的输入。这使得解码器的每个位置都可以覆盖编码器的所有位置。

常见的机器翻译模型都存在一个encoder和decoder，encoder负责将原始的输入（x1…xn）转变为机器可以理解的一些向量(z1…zn)。decoder则是负责将encoder的输入(z1…zn)变成一系列的输出Y(y1…ym)。注意此时的n和m不一定相同，翻译嘛，很正常。Y的输出还依赖于前一个的输出，所以得一个一个得输出。

3.1encoder & decoder

encoder包括两个子层，第一个是多头注意力机制，第二个是全连接层。在这两个子层中，分别做残差连接和layer normalization。为了残差的好计算，将所有的输出都变成512维。

decoder包括3个子层，分别是多头注意力机制、掩码的多头注意力机制以及全连接层，分别对这三个层做layer normalization和残差连接。掩码的多头注意力机制是一个一个的输出，它只能考虑它左边的东西,它没有办法考虑它右边的东西。

3.2attention

Attention函数可以描述为将query和一组key-value对映射到输出，其中query、key、value和输出都是向量。 输出为value的加权和，其中分配给每个value的权重通过query与相应key的兼容函数来计算。


Attention函数常见的有两种，一个是加法，一个是乘法，本文使用乘法简单。
维度很大，需要抵消维度对于梯度的影响，所以会乘以一个。

多头注意力机制：多个输出通道，学到不同的模式

3.3FC层

两个线性层（W1,W2），中间加一个ReLU激活函数。W1将自注意力机制输出的512维度变成2048维，W2将2048维度变为512维。MLP主要是将attention提取到的序列信息，映射到高维的语义空间。

3.4Embedding和Positional Encoding

Embedding：给定一个词，映射为一个向量。一般的Embedding相对较小，和Positional Encoding太小，所以乘以一个。

Positional Encoding：为了使用序列的顺序，需要添加位置编码。不加的话，模型对于一个句子打乱输出后的结果和打乱之前一致。

4 why?

以下三列分别为模型复杂度、顺序计算的操作、数据相互流通的距离。
n为序列长度、d为向量长度。
自注意力机制相较于其他模型，复杂度差不多、顺序计算少、数据之间的关系一次计算就可以得到。

5.实验

正则化使用Dropout和Label Smoothing

Label Smoothing增强模型的泛化能力。Label Smoothing公式如下：
参考这篇文章的Label Smoothing

结论

对于未来的展望，Transformer将会被用于各个领域