【神经网络组件】Transformer Encoder

【神经网络组件】Transformer Encoder

目录

• 【神经网络组件】Transformer Encoder
  • 1. seq2seq模型
  • 2. 为什么只需要Transformer Encoder
  • 3. Transformer Encoder的结构

1. seq2seq模型

• 什么是sequence：sequence指由多个向量组成的序列。例如，有三个向量：\(\mathbf{a} = [1,0,0]^T,\mathbf{b} = [0,1,0]^T,\mathbf{c} = [0,0,1]^T\)，那么\([\mathbf{a},\mathbf{b},\mathbf{c}]\)构成一个sequence。

• 什么是seq2seq模型：

  • seq2seq并不单指哪一个模型，而是一类模型的总称。Transformer就是seq2seq中的一种，也是最出名的一种。
  • seq2seq有以下特点：它的输入是一个sequence，输出也是一个sequence，且输出sequence的长度不能事先确定，需要模型自主学习。

  例如，机器翻译模型一般都是seq2seq模型。

  如果想要把一段中文翻译成英文，那么模型的输入是中文，其中每个汉字可以表示成一个向量，这段中文可以表示成一个由向量组成的sequence。

  输出是中文对应的英文，其中每个单词是一个向量，因此输出也可以表示成一个sequence。但是，输出sequence的长度不能确定，因为不能事先知道翻译过来的英文包含多少单词。

• seq2seq的通用结构：Encoder-Decoder结构。Encoder处理输入sequence，把处理好的结果丢给Decoder，由Decoder生成输出sequence。

  

Transformer也是seq2seq模型，因此，Transformer中也分为Encoder和Decoder两部分。

2. 为什么只需要Transformer Encoder

对于Transformer中的Encoder和Decoder，可以这样理解它们各自的功能：Encoder负责对输入数据进行编码，Decoder根据编码后的数据生成新的序列。

在一些场景中，只需要对输入进行编码，不需要生成新的序列，也就是说，只会用到Transformer Encoder，不会用到Transformer Decoder。例如，情感分析，主题分类，垃圾邮件检测等文本分类任务；词性标注，命名实体识别等序列标注任务；以及在BERT中，都只会用到Transformer Encoder，而不会用到Transformer Decoder。

3. Transformer Encoder的结构

如果把Transformer Encoder看作一个黑盒，那么其输入是一个sequence，输出也是一个sequence，且输入sequence和输出sequence等长。

flowchart TD Input[(in_1,in_2,...,in_n)] Input --> E E[Transformer Encoder] output[(out_1,out_2,...,out_n)] E-->output

Encoder的内部是什么样的呢？

Encoder是由很多block连接在一起的。如果把每个block看作一个黑盒，那么每个block的输入是一个sequence，输出是同样长度的sequence。

flowchart TD Input[(in_1,in_2,...,in_n)] Input --> E subgraph E[Transformer Encoder]block1-->block2block2-->A[...]A[...]-->blocknend output[(out_1,out_2,...,out_n)] E-->output

block的内部是什么样的呢？

每个block的结构如下图。

可以看到，block的结构大概分为两块，第一块是Multi-Head Attention和Add&Norm；第二块是Feed Forward 和Add&Norm。下面对这两块逐一讲解。

Multi-Head Attention和Add&Norm：

• Multi-Head Attention表示多头自注意力层。

• Add&Norm：

  • Add表示残差

  • Norm表示lay normalization：计算sequence中，一个输入向量所有维度的均值和方差，对这个输入向量做归一化。例如，输入向量是$\mathbf{x} =[x_1,x_2,\cdots,x_K] \(，计算均值\)m = \sum_{i=1}^K x_i/K\(,方差\)\sigma = \sum_{i=1}^K(x_i-m)2/K\(。对于\)\mathbf{x}\(中的元素\)x_i\(，经过layer norm的输出\)x_i'\(可以表示为\)x_i' = \frac{x_i-m}{\sigma}$

    

因此，block中这一块的结构可以表示下面的形式

flowchart TD input[(input)] --> attention[self-attention层] attention-->norm[layer normalization] input --> norm norm-->output[(output)]

Feed Forward 和Add&Norm：

这一块和上一块很像，因此不展开讲解。

• Feed Forward ：全连接层。
• Add&Norm：残差+layer normalization

其结构可以表示下面的形式

flowchart TD input[(input)] --> attention[Feed Forward层] attention-->norm[layer normalization] input --> norm norm-->output[(output)]

Transformer Encoder的完整结构：

在Transformer中，为了更好的利用位置信息，还要加上位置编码。

因此，Transformer Encoder的完整结构如下图。