【Transformer】Transformer 网络解析（Self-Attention 、Multi-Head Attention、位置编码、Mask等）

【Transformer】Transformer 网络解析（Self-Attention 、Multi-Head Attention、位置编码、Mask等）

---

1. 介绍

原论文地址：Attention Is All You Need

近年来，Transformer在CV领域很火，Transformer是2017年Google在Computation and Language上发表的，当时主要是针对自然语言处理领域提出的。

• 之前的RNN模型记忆长度有限；且无法并行化，只有计算完 $t_i$ 时刻后的数据才能计算 $t_{i+1}$ 时刻的数据，
• 但Transformer都可以做到。

在《Attention Is All You Need]》中作者提出了Self-Attention的概念，然后在此基础上提出Multi-Head Attention，所以本文对Self-Attention以及Multi-Head Attention 等理论进行讲解。

---

2. 模型

---

2.1 Self-Attention

为了便于理解，假设输入的序列长度为2，输入就两个节点 $x_1,x_2$，然后通过Input Embedding也就是图中的 $f(x)$ 将输入映射到 $a_1,a_2$ 。紧接着分别将 $a_1,a_2$ 分别通过三个变换矩阵$W_q,W_k,W_v$（这三个参数是可训练的，是共享的）得到对应的 $q^i,k^i,v^i$（这里在源码中是直接使用全连接层实现的，这里为了方便理解，忽略偏置参数 b）。

其中

• $q$ 代表query，后续会去和每一个 $k$ 进行匹配
• $k$ 代表key，后续会被每个 $q$ 匹配
• $v$ 代表从 原始特征 $a$ 中提取得到的信息

后续 q 和 k 匹配的过程可以理解成计算两者的相关性，相关性越大对应 v(value) 的权重也就越大。

同理我们可以得到 $\left(\genfrac{}{}{0ex}{}{k^1}{k^2}\right)$ 和 $\left(\genfrac{}{}{0ex}{}{v^1}{v^2}\right)$，那么求得的 $\left(\genfrac{}{}{0ex}{}{q^1}{q^2}\right)$就是原论文中的 $Q$ ，$\left(\genfrac{}{}{0ex}{}{k^1}{k^2}\right)$ 就是 $K$，$\left(\genfrac{}{}{0ex}{}{v^1}{v^2}\right)$ 就是 $V$。

接着先拿 $q^1$ 和每个 $k$ 进行match，点乘操作，接着除以 $\sqrt{d}$ 得到对应的权重 α，其中 d 代表向量 $k^i$ 的维度。在本示例中等于2。

• 注意：除以 $\sqrt{d}$ 的原因在论文中的解释是：“进行点乘后的数值很大，导致通过softmax后梯度变的很小”，所以通过除以 $\sqrt{d}$ 来进行缩放。比如计算 ${\alpha }_{1,i}$:
  

接着对每一行即 $({\alpha }_{1,1},{\alpha }_{1,2})$ 和 $({\alpha }_{2,1},{\alpha }_{2,2})$ 分别进行softmax处理得到 $({\hat{\alpha }}_{1,1},{\hat{\alpha }}_{1,2})$ 和 $({\hat{\alpha }}_{2,1},{\hat{\alpha }}_{2,2})$，这里的 $\hat{\alpha }$ 相当于计算得到针对每个 v 的权重。

到这儿，我们就完成了 $\mathrm{Attention}(Q,K,V)$ 公式中 $\mathrm{softmax}(\frac{Q{K}^T}{\sqrt{d_k}})$ 部分。

上面已经计算得到 $\hat{\alpha }$，即针对每个 v 的权重，接着进行加权得到最终结果：

统一写成矩阵乘法形式：

到这，Self-Attention 的内容就讲完了。总结下来就是论文中的一个公式：

---

2.2 Multi-Head Attention

接下来是 Multi-Head Attention（多头注意力）模块，实际使用中基本使用的还是Multi-Head Attention模块。原论文中说使用多头注意力机制能够联合来自不同head部分学习到的信息：

• Multi-head attention allows the model to jointly attend to information from different representation subspaces at different positions.

其实只要懂了Self-Attention模块Multi-Head Attention模块就非常简单了。

• 首先还是和Self-Attention模块一样将 a 分别通过 $W^q,W^k,W^v$ 得到对应的 q , k , v；
• 然后再根据使用的head的数目 h 进一步把得到的 q, k, v 均分成 h 份。

比如下图中假设h = 2，然后 $q^1$ 拆分成 $q^{1,1}$ 和 $q^{1,2}$ ，那么 $q^{1,1}$ 就属于head1，$q^{1,2}$ 属于head2。

看到这里，可能会有疑问，论文中不是写的通过 $W_i^Q,W_i^K,W_i^V$ 映射得到每个 head 的$Q_i,K_i,V_i$ 吗？

二者其实是等价的，因为都是线性运算，把 $W$ 设置为原来的h倍大小即可。即通过将 $W_i^Q,W_i^K,W_i^V$ 设置成对应值来实现均分，比如下图中的$Q$ 通过 $W_1^Q$ 就能得到均分后的 $Q_1$。

接着将每个head得到的结果进行concat拼接，比如下图中 $b_{1,1}$（$hea{d}_1$ 得到的 $b_1$）和 $b_{1,2}$（$hea{d}_2$ 得到的 $b_1$）拼接在一起，$b_{2,1}$ （$hea{d}_1$ 得到的 $b_2$） 和 $b_{2,2}$（head_2$ 得到的 $b_2$） 拼接在一起。

接着将拼接后的结果通过 $W^O$（可学习的参数）进行融合，如下图所示，融合后得到最终的结果 $b_1,b_2$。

到这儿，Multi-Head Attention 的内容就讲完了。总结下来就是论文中的两个公式：

---

2.3 Self-Attention与Multi-Head Attention 对比

原论文章节 3.2.2 中有说两者的计算量其实是差不多。

• Due to the reduced dimension of each head, the total computational cost is similar to that of single-head attention with full dimensionality.

可以简单的尝试一下，这个Attention就是实现Multi-head Attention的方法，其中包括上面讲的所有步骤。

• 首先创建了一个Self-Attention模块（单头）a1；
• 然后把proj变量置为Identity（Identity对应的是Multi-Head Attention中最后那个 $W^O$ 的映射，单头中是没有的，所以置为Identity即不做任何操作）；
• 再创建一个Multi-Head Attention模块（多头）a2，然后设置8个head；
• 创建一个随机变量，注意shape；
• 使用fvcore分别计算两个模块的FLOPs。
  注：FLOPs 为每秒浮点运算次数，也就是所用的时间。

通过实验发现：

• 可以发现确实两者的FLOPs差不多，Multi-Head Attention比Self-Attention 略高一点。
• 其实两者FLOPs的差异只是在最后的 $W^O$ 上，如果把Multi-Head Attentio的 $W^O$ 也删除（即把a2的proj也设置成Identity），可以看出两者FLOPs是一样的。
• 总结：可能是由于线性的相乘关系（矩阵乘法优化），导致多头和单头是差不多，差距也就在于多头比单头多了个$W^O$映射。

---

2.4 Positional Encoding

上述所讲的 Self-Attention 和 Multi-Head Attention 模块，在计算中是没有考虑到位置信息的。假设在Self-Attention模块中，输入 $a_1,a_2,a_3$ 得到 $b_1,b_2,b_3$ 。对于 $a_1$而言，
$a_2$ 和 $a_3$ 离它都是一样近的而且没有先后顺序。

• 假设将输入的顺序改为 $a_1,a_3,a_2$，对结果 $b_1$ 也是没有任何影响的。

因此，为了引入位置信息，在原论文中引入了位置编码 positional encodings。

• To this end, we add “positional encodings” to the input embeddings at the bottoms of the encoder and decoder stacks.

如下图所示，位置编码是直接加在输入的 a = { a 1 , . . . , a n } a=\{a_1,...,a_n\} a={ a1​,...,an​} 中的，即 p e = { p e 1 , . . . , p e n } pe=\{pe_1,...,pe_n\} pe={ pe1​,...,pen​} 和 a = { a 1 , . . . , a n } a=\{a_1,...,a_n\} a={ a1​,...,an​} 拥有相同的维度大小。

关于位置编码在原论文中有提出两种方案，

• 一种是原论文中使用的固定编码，即论文中给出的sine and cosine functions方法，按照该方法可计算出位置编码；
• 另一种是可训练的位置编码，作者说尝试了两种方法发现结果差不多（但在ViT论文中使用的是 可训练 的位置编码）。

---

2.5 Mask

mask是Transformer中很重要的一个概念，mask操作的目的有两个：

• 让padding (不够长的补0) 部分不参与attention操作。（每个句子的序列长度不同）

• 在生成当前词语的概率分布时，让模型不会注意到这个词后面的部分，避免利用未来信息。

  在自注意力机制中，每个位置都会与所有其他位置进行交互，因此为了避免模型在预测时利用未来信息，需要将未来位置的信息掩盖掉。在编码器中，需要将输入序列中不够长的部分进行mask，而在解码器中，还需要将当前位置之后的位置进行掩盖，以避免模型利用未来信息。掩盖的方式可以是将对应位置的注意力权重设置为0，或者将对应位置的输入向量设置为一个特殊的掩码向量。

2.5.1 padding mask

这个很好理解，下面就是一个mask矩阵，这个mask矩阵表示的是这个句子只有两个单词，句子后两个词是padding的内容，所以全都是0（假设序列长度为4）。我们在进行attention时不应该将这里考虑进attention，当给mask矩阵为0的对应位置替换一个负很大的值后，相应attention的结果就会趋近为0。

2.5.2 Masked Multi-Head Attention中的Mask

这个稍微复杂一点，我们先看看对应的mask矩阵（下三角矩阵），与得到的权重矩阵 $\alpha$ 点乘，进而可以屏蔽掉未来的位置。

---

3. 参考

【1】https://blog.csdn.net/qq_37541097/article/details/117691873