《Attention Is All You Need》

本文是对Google2017年发表于NIPS上的论文"Attention is all you need"的阅读笔记.

对于深度学习中NLP问题，通常是将句子分词后，转化词向量序列，转为seq2seq问题.

• RNN方案 采用RNN模型，通常是递归地进行yt=f(yt−1,xt)y_t=f(y_{t-1},x_t)yt​=f(yt−1​,xt​)，优点在于结构简单，十分适合序列建模；缺点在于需要前一个输出作为后一个的输入参与运算，因此无法并行计算，速度很慢，且单向RNN只能获取前向序列关系，需要采用双向RNN才可以获取完整的全局信息.
• CNN方案 采用CNN模型，则是通过一个窗口(卷积核)来对整个序列进行遍历，yt=f(xt−1,xt,xt+1)y_t = f(x_{t-1},x_t,x_{t+1})yt​=f(xt−1​,xt​,xt+1​)只能获取到局部信息，需要层叠来增大感受野.

本文提出了一种Transformer注意力机制，完全替代了RNN、CNN.

yt=f(xt,A,B)y_t = f(x_t,A,B)yt​=f(xt​,A,B)

将A、B都取为X时，则称为Self-Attention，即通过xtx_txt​和整个XXX进行关系运算最后得到yty_tyt​.

Attention层

Google给出了如下的Attention结构

Attention层.jpg

Attention(Q,K,V)=softmax(QKTdk)VAttention(Q,K,V) = softmax(\frac{QK^T}{\sqrt{d_k}})VAttention(Q,K,V)=softmax(dk​​QKT​)V

其中，dkd_kdk​时keykeykey的维数，dvd_vdv​是valuevaluevalue的维数，Q∈Rn×dk,K∈Rm×dk，V∈Rm×dvQ\in R^{n\times d_k}, K\in R^{m\times d_k}， V\in R^{m\times d_v}Q∈Rn×dk​,K∈Rm×dk​，V∈Rm×dv​

当dkd_kdk​较小时，采用点积和加法注意力机制的效果时相同的，当dkd_kdk​较大时，点积的效果会下降很多，这是由于dkd_kdk​较大时，点积产生的值会很大导致softmaxsoftmaxsoftmax陷入了饱和区，因此这里除以了dk\sqrt{d_k}dk​​.

Yself=Attention(V,V,V)Y_{self} = Attention(V,V,V)Yself​=Attention(V,V,V) 通过self-attention，可以无视词之间距离直接计算远距离的两个词的依赖关系，从而能学习到整个句子的内部结构，并且相当于进行了句法分析.

Multi-Head Attention

多头注意力机制就是重复进行hhh次(参数不共享)，即采用不同的参数进行hhh次，捕获不同子空间上的相关信息，将最后的结果拼接起来，会产生更好的效果. MultiHead(Q,K,V)=Concat(head1,…,headh)WOwhere headi=Attention(QWiQ,KWiK,VWiV) MultiHead(Q,K,V) = Concat(head_1,\dots,head_h)W^O\\ where\ \ head_i = Attention(QW_i^Q,KW_i^K,VW_i^V) MultiHead(Q,K,V)=Concat(head1​,…,headh​)WOwhere headi​=Attention(QWiQ​,KWiK​,VWiV​)

其中，WiQ∈Rdmodel×dk,WiK∈Rdmodel×dk,WiV∈Rdmodel×dv,WO∈Rhdv×dmodelW_i^Q\in R^{d_{model}\times d_k}, W_i^K\in R^{d_{model}\times d_k}, W_i^V\in R^{d_{model}\times d_v}, W^O \in R^{hd_v\times d_{model}}WiQ​∈Rdmodel​×dk​,WiK​∈Rdmodel​×dk​,WiV​∈Rdmodel​×dv​,WO∈Rhdv​×dmodel​

Feed-Forward Networks

在encoder和decoder中，除了注意力子层之外还包含一个全连接的前馈网络，含有两个线性变换，并且在两者之间有一个ReLUReLUReLU激活函数.

FFN(x)=max⁡(0,xW1+b1)W2+b2FFN(x) = \max(0, xW_1+b_1)W_2 + b_2FFN(x)=max(0,xW1​+b1​)W2​+b2​

相当于两个卷积核大小为1的卷积层.

Positional Encoding

很容易发现，对于两个顺序不同词相同的句子，通过自注意力层最后得到的输出相同的，即这里的自注意力机制并不能捕捉到词之间的顺序关系，仅仅相当于一个词袋模型.

因此Google提出了Position Encoding，为每个词添加位置编码，与词序列作为共同输入.

PositionalEncoding.jpg

这里采用的运算关系如下： PE(pos,2i)=sin⁡(pos100002i/dmodel)PE(pos,2i+1)=cos⁡(cos100002i/dmodel) PE_{(pos,2i)} = \sin(\frac{pos}{10000^{2i/d_{model}}})\\ PE_{(pos,2i+1)} = \cos(\frac{cos}{10000^{2i/d_{model}}}) PE(pos,2i)​=sin(100002i/dmodel​pos​)PE(pos,2i+1)​=cos(100002i/dmodel​cos​)

pospospos是位置，iii是维度，采用sin函数，对于任意的偏移kkk，PEpos+kPE_{pos+k}PEpos+k​都可以描述为PEposPE_{pos}PEpos​的线性函数.

自注意力的优势

• 计算复杂度/layer
• 并行计算数量
• 计算远距离依赖关系的路径长度

正则化

• 对于每一子层都采取dropout操作
• 对词序列和位置编码的和进行dropout

其他

• 根据实验结果推测，可能存在一个更复杂的函数要比点积的效果更优.
• 实验验证，学习过的位置嵌入与sin曲线效果相同.

Beam search

在test集上，通过beam search 集束搜索来寻找解. 集束搜索是一种贪心算法，相当于一个约束优化的广度优先搜索，并不能保证一定可以找到最优解.

大致思路如下：

每一次都只寻找代价最低即可能性最大的前mmm(称为beams size)个解，直到遇到终止符位置.

参考文献

苏剑林-Attention is all you need 浅读