编者按:
谈到Transformer,你或许会想起《变形金刚》里随意切换形态的炫酷汽车人。
其实,人工智能领域也有著名的Transformer,它在机器翻译任务上的表现异常出色。
2017年谷歌在arxiv发表了论文《Attention Is All You Need》,摒弃RNN和CNN等网络结构,而仅仅使用Attention机制来处理序列模型相关的问题,比如机器翻译。基于Attention的Transformer模型不但提高了翻译性能也提升了效率。因此,注意力机制和Transformer模型成为了大家近期的研究热点。
Attention机制和Transformer模型的优越性到底表现在哪里?
本文带你认识这位有超强“战斗力“的”“变形金刚”,看看它是如何高效处理NLP(Natural Language Processing)领域的任务。
Transformer是什么?
一句话来讲,就是完全利用Attention机制来解决自然语言翻译问题。
当然这说了跟没说一样,Attention机制也许大家知道,但Attention何德何能,能干掉良好运行多年的RNN/LSTM呢?也许我们可以通过内窥Transformer的架构来解释这个问题。
1.Transformer的结构
先来看结构,Transformer总体分为encoder和decoder部分,每块各有多个层。
encoder里的每层有self attention和feed forward两层。其中encoder输入是n个词向量,n是输入最长的句子里单词数量。
decoder的输出则是类似传统的seq2seq结构,是一个一个目标语言的单词。
很简单,Self Attention假设:一个句子中每个单词的含义,都部分取决于该句子里其他词。
这听着像是废话,但如果我们想用词向量来表示一个词,那很直观我们可以得出,一个句子中的一个词向量,他的计算是依赖于该句子的其他词向量的。
那具体怎么计算每个词向量呢?
这个计算过程就是Self Attention Encoding的目的,即,将句子中每个原始词向量按照Attention加权相加,求出新的词向量。
每个V是靠着这个简单的word embedding过程得来的。那么每个a怎么来的?
因为这个a是表示当前Attention的词对目标词权重,那很直观的,这个a值应该只凭当前词和目标词关系算出来。
怎么算呢?我们假设目标词本身有个向量(即下图中的q),而句子中每个词有个专门用来算别的词的向量(即下图中的k),这俩都是word embedding得到的。
它俩(q和k)一乘,就得到当前词对目标词的权重a(即下图中的q x k,它是一个向量,不同的值对应不同颜色的竖线,蓝色表示整数,蓝色越深则值越大,橘色表示复数,颜色越深则值越小)。
得到了所有词对目标词的权重之后,还有个问题,这些权重加起来应该等于1。于是我们在权重计算之后套一个softmax,解决问题。
4.Multi-heading
那什么是multi-heading?
multi-heading就是同样这个取新词向量Z的事儿,咱们干8遍,得到Z1 ~ Z8。
得到这8个值之后,将每个词的所有Z连在一起,粘成一个巨大的词向量。这个词向量作为后续feed forward层的输入。可以说是相当简单粗暴了。
5.Position Encoding
Transformer解决的方法也是很直白,你不是不知道位置信息吗?
好,我给你每个词都加上一个位置信息。这就是Position Encoding!
注意,这个加是在原有词向量上叠加一个同维度表示位置的向量,不是粘在后边。
这个位置向量怎么生成?
论文里写了算法,这里不展开,感兴趣同学可以去看。关于这个方法的直观理解是什么呢?文章里这句话有意思了,大家仔细读读:
The intuition here is that adding these values to the embeddings provides meaningful distances between the embedding vectors once they’re projected into Q/K/V vectors and during dot-product attention.
什么意思呢?
就是说原本在高维空间里,词向量之间都是以原点为起点的向量,现在通过这种方法,让词向量之间产生了距离。
也就是,一句话里的各个词向量通过这种方法,实际上组成了一个高维的像蛇一样的线段,而这条高维空间的“蛇”就表示这句话本身。
是不是挺有创意的?