Transformer的細節(jié)到底是怎么樣的？Transformer 18問?。?）

6.1 作用上，Transformer Encoder常用來提取特征，Transformer Decoder常用于生成式任務。Transformer Encoder和Transformer Decoder是兩條不同的技術(shù)路線，Bert采用的前者，GPT系列模型采用的是后者。

6.2 結(jié)構(gòu)上，Transformer Decoder block包括了3個子Decoder block，而Transformer Encoder block 包括2個子Encoder block，且Transformer Decoder中使用了Mask multi-head Attention。

6.3 從二者的輸入輸出角度，N個Transformer Encoder運算完成之后，它的輸出才正式輸入進Transformer Decoder，作為QKV中的K和V，給Transformer Decoder使用。那么TransformerEncoder最后層的輸出是如何送給Decoder呢？如圖11所示。

圖11 Transformer Encoder和Transformer Decoder交互的方式

那么，為什么Encoder和Decoder必須要用這種交互的方式呢？其實也并不一定，后續(xù)有不同交互方式的提出，如圖12。

圖12 Transformer Encoder和Decoder的交互方式

7.1 Embedding在Transformer架構(gòu)中的位置如圖13所示。

7.2 提出背景： 計算機無法直接處理一個單詞或者一個漢字，需要把一個token轉(zhuǎn)化成計算機可以識別的向量，這也就是embedding過程。

7.3 實現(xiàn)方式： 最簡單的embedding操作就是one hot vector，但one hot vector有一個弊端就是沒有考慮詞語前后之間的關(guān)系，后來也就產(chǎn)生了WordEmbedding，如圖13。

圖13 Embedding的一些說明，從左往右依次為：embedding在Transformer中的位置，one hot vector，Word embedding。

8.1 Positional Embedding在Transformer架構(gòu)中的位置如圖14所示。

8.2 提出背景：RNN作為特征提取器，是自帶詞的前后順序信息的；而Attention機制并沒有考慮先后順序信息，但前后順序信息對語義影響很大，因此需要通過Positional Embedding這種方式把前后位置信息加在輸入的Embedding上。

8.3 實現(xiàn)方式： 傳統(tǒng)位置編碼和神經(jīng)網(wǎng)絡自動訓練得到。

圖14 Positional Embedding的一些說明，從左往右依次為：positional embedding在Transformer中的位置，傳統(tǒng)位置編碼的實現(xiàn)方式，傳統(tǒng)位置編碼ei得到的圖像，每一列為一個token的位置編碼。

9.1 介紹Transformer，為什么要介紹Attention呢？因為在Transformer中最多的multi head attention和Mask multi head attention來自Scaled dot product attention，而scaled dot product attention來自self attention，而self attention是attention的一種，因此首先需要了解Attention，如圖15所示。

圖15 Attention與Transformer的關(guān)系

9.2 Attention到底是什么意思呢？

對于圖像而言，attention就是人們看到圖像中的核心關(guān)注的區(qū)域，是圖像中的重點，如圖16所示。對于序列而言，Attention機制本質(zhì)上是為了找到輸入中不同token之間的相互關(guān)系，通過權(quán)重矩陣來自發(fā)地找到詞與詞之間的關(guān)系。

圖16 圖像中的attention

9.3 Attention是如何實現(xiàn)的呢？

是通過QKV實現(xiàn)的。

那么什么是QKV呢？Q是query，K是keys，V是values。如圖17所示，舉例而言，Q是大腦發(fā)出的信號，我口渴了；K是環(huán)境信息，眼睛看到的世界；V是對環(huán)境中不同的物品賦予不同的比重，水的比重加大。

總之，Attention就是通過計算QK的相似度，與V相乘得到注意力數(shù)值。

圖17 Attention的實現(xiàn)方式

9.4 為什么必須要有QKV三者？

為什么不是只有Q？因為Q1與Q2之間的關(guān)系權(quán)重，不止需要a12，也需要a21。你可能會問？我們讓a12=a21不行嗎？也可以嘗試，但從原理上講效果應該沒有a12和a21效果好。

為什么不是只有QK？求得的權(quán)重系數(shù)需要放到輸入中，可以乘Q，也可以乘K，為什么要重新乘V呢？我覺得可能是多了一組可訓練參數(shù)WV，使網(wǎng)絡具有更強的學習能力。