前情提要：文本大量参照了以下的博客，本文创作的初衷是为了分享博主自己的学习和理解。对于刚开始接触NLP的同学来说，可以结合唐宇迪老师的B站视频【【NLP精华版教程】强推！不愧是的最完整的NLP教程和学习路线图从原理构成开始学，学完可实战！-哔哩哔哩】 https://b23.tv/WwVQnKr和【【唐博士带你学AI】NLP最著名的语言模型-BERT 10小时精讲，原理+源码+论文，计算机博士带你打通NLP-哔哩哔哩】 https://b23.tv/0ZtLcoj这两个视频使用Transformer通俗笔记：从Word2Vec、Seq2Seq逐步理解到GPT、BERT-CSDN博客
本文的大纲是：
目录
1.1.1 理解什么是one-hot representation
1.1.2 理解什么是distribution representation
1.1.2.1我们现在提出一个比one-hot更高级的文本向量化要求：
我们来比较一下词袋模型（bag of wordsmodel）和词嵌⼊模型（word embedding model）的区别：
1.1.2.2 如何用distribution representation把单词变成一个跟单词上下文有关，有语义的向量呢？
第二部分 从Seq2Seq序列引入Encoder-Decoder模型：RNN/LSTM与GRU
2.1 什么是Seq2Seq序列问题：输入一个序列 输出一个序列
2.2 介绍Encoder-Decoder模型：RNN/LSTM与GRU
3.2 多头注意力机制“multi-headed” attention
第一部分 单词向量化
1.1 word embedding
单词向量化是本节任务的一个基础，因为我们不可能直接把人类的单词文本直接输入到模型中去吧，我们要转换成计算机能够看懂的语言形式。所以，单词向量化，顾名思义，就是把单词转化成向量的形式表示，在论文中我们经常看到一个单词（embedding),用词典翻译它就是“嵌入“，我们会感到一头雾水。我们其实可以理解为：embedding就是一个映射，将单词从原先所属空间映射（嵌入）到新的多维空间（变成向量）。
在自然语言处理任务中，有两种单词向量化的方法：
·onehot representation(独热形式）
·distribution representation(分配形式）
1.1.1 理解什么是one-hot representation
我们直接用下面的例子简单最粗暴的理解：从形式上看，每个向量之间的内积为0，也就是每个向量是互相正交的，除了当前单词位置的值为1之外，其余位置的值都为0，。
假设⽤ one-hot对句⼦进⾏表示，对句⼦分词之后，我们可以得到['我‘ ， ’爱‘ ， ’北京‘ ， ’天安⻔‘]，可以⽤one hot（独热编码）对单词进⾏编码。具体为：
“我”可以表示为[1,0,0,0]
"爱"可以表示为[0,1,0,0]
'北京'可以表示为[0,0,1,0]
'天安⻔'可以表示为[0,0,0,1]
缺点：这样单词编码之间互相正交的形式，使得的向量之间（单词）之间没有语义上的联系。
1.1.2 理解什么是distribution representation
这一节可以看唐宇迪的视频来理解：【【word2vec词向量模型】原理详解+代码实现，迪哥竟然把NLP最热门的词向量模型讲解的如此通俗易懂！-哔哩哔哩】 https://b23.tv/YJ6OMVX
不同于 one-hot粗暴的用1和0来编码，distribution representation克服了 one-hot的缺点：单词）之间没有语义上的联系。
分布式表示（distribution representation）将词转化为⼀个定⻓向量（可指定）、稠密并且互相存在语义关系（语义蕴藏在了向量的这些数字里面）的向量。
对比一下理解什么叫“蕴藏在了向量的这些数字”：
one-hot：[1,0,0,0]
distribution：[0.3,0.2,0.1,0.5] #是不是很长的像一个加权占比
1.1.2.1我们现在提出一个比one-hot更高级的文本向量化要求：
(本质上是因为distribution representation在向量化的过程中，要利用当前单词的上下文来训练模型，所以上下文语义自然蕴含在训练好的单词向量的每一维度的数值中 eg:[0.3,0.2,0.1,0.5]。
1.这个单词向量化模型要考虑单词出现的顺序：假设文本顺序为my name is chenfangyi ，出来的单词向量化中name 单词的编码（假设是[0.3,0.2,0.1,0.5]）必须得体现出文本的顺序，比如只能先有name，再有is 和chenfangyi 吧，这样才符合我们人类的思维。
2.这个单词向量化模型词与词之间的等价关系要考虑到
eg:"nlp”单词要和“自然语言处理”映射到同一个向量空间，且语义相近的词在空间中离得要近。
这里插入一个跟本文主线不相关的概念：
我们来比较一下词袋模型（bag of wordsmodel）和词嵌⼊模型（word embedding model）的区别：
词袋模型是对整个文档的向量化，反映的是整个文档的单词，而本文提到的词嵌⼊模型是针对单个单词向量化，只不过在某些方法中单词的向量化与它的上下文也有关联。
1 词袋模型和编码⽅法
1.1 ⽂本向量化
⽂本向量化就是指⽤数值向量来表示⽂本的语义，即，把⼈类可读的⽂本转化成机器可读形式。
如何转化成机器可读的形式？这⾥⽤到了信息检索领域的词袋模型，词袋模型在部分保留⽂本语义的前提下对⽂本进⾏向量化表示。在后面的信息抽取博客打下基础
1.2 词袋及编码⽅法
我们先来看2个例句：
Jane wants to go to Shenzhen.
Bob wants to go to Shanghai.
将所有词语装进⼀个袋⼦⾥，不考虑其词法和语序的问题，即每个词语都
是独⽴的。例如上⾯2个例句，就可以构成⼀个词袋，袋⼦⾥包括Jane、
wants、to、go、Shenzhen、Bob、Shanghai。假设建⽴⼀个数组（或词
典）⽤于映射匹配：
[Jane, wants, to, go, Shenzhen, Bob, Shanghai]
那么上⾯两个例句就可以⽤以下两个向量表示，对应的下标与映射数组的
下标相匹配，其值为该词语出现的次数：
# 词典的key值：[Jane, wants, to, go, Shenzhen, Bob, Shanghai]
1 [1,1,2,1,1,0,0]
2 [0,1,2,1,0,1,1]
词频向量就是词袋模型，可以很明显的看到语序关系已经完全丢
失。
1.3 类型介绍
1.3.1 它也可以one-hot编码
对于每⼀个单词，我们观察该词语是否出现，出现就为1，没有出现就
是0，得到⽂本向量，规则如下：
1.3.2 TF 编码1.2例句介绍用的就是这个，TF表示法的数值计算规则为：词语序列中出现的词语其数值为词语在所在⽂本中的频次，词语序列中未出现的词语其数值为0。
1.3.3 TF- IDF表示法
TF-IDF表示法的数值计算规则为：词语序列中出现的词语其数值为词语在
所在⽂本中的频次乘以词语的逆⽂档频率，词语序列中未出现的词语其数
值为0。⽤数学式⼦表达为：
1.1.2.2 如何用distribution representation把单词变成一个跟单词上下文有关，有语义的向量呢？
假设我们的句子是A_B_C，对于单词C来说，A B就是它的上下文。我们的模型本质是一个单词预测模型已知AB,预测单词C（分类模型：最终输出的结果是整个单词语料库每个单词预测的概率），那就有疑问了，不是说是一个目的是把单词转化成蕴藏上下文语义的向量化模型吗？怎么叫单词的预测模型了？
因为我们在输入的时候，不可能直接把单词直接输入网路，我们把单词A，B表示成了一个初始化的向量（诶，那我们的任务不就结束了吗，已经单词向量化了呀？）并不是，这个初始化是我们自己定的，我们要利用这个单词预测模型来达到：不断更新单词A和B初始化向量里面的数值。
简而言之，这个单词预测模型只是一个帮手，我们其实不是要最终的输出结果，我们要知道模型每次训练除了更新权重参数，还会更新每次的输入值，我们要的就是，最终，模型训练好之后，输入的词向量里面的向量每一个维度的数值）：“A”和“B”会由初始值不断更新（前向训练，反向传播）直到得到的最终的向量 。注：向量 【0.3，0.2，0.1，0.5】里面这4个数据（不一定维度一定是4，只是假设）
模型的输入是：A（假设是shalt并且已经随机向量初始化）和Bthou（假设是shalt并且已经随机向量初始化）蕴藏上下文语义的向量：
eg :
模型的输出就是：在整个语料库中每个词预测正确的概率值
总结起来就是，在这个预测模型中，随着预测单词的结果匹配语料库的概率值越来越接近真实值C，每次训练模型的输入值都会发生变化，最终我们想要的结果是蕴藏上下文语义的输入向量就得到了。
构建训练数据：
第二部分 从Seq2Seq序列引入Encoder-Decoder模型：RNN/LSTM与GRU
2.1 什么是Seq2Seq序列问题：输入一个序列 输出一个序列
比如翻译模型：
2.2 介绍Encoder-Decoder模型：RNN/LSTM与GRU
这里推荐直接去看这个大佬的博客：如何从RNN起步，一步一步通俗理解LSTM_rnn lstm-CSDN博客
大佬写的超级好，这里就不再赘述了。
2.3 开始介绍注意力机制（Attention）
·对于Seq2Seq without Attention来说：Encoder（编码器）和 Decoder（解码器）之间只有一个「向量C」来传递信息，且C的长度固定。当输入句子比较长时，所有语义完全转换为一个中间语义向量C来表示，单词原始的信息已经消失，可想而知会丢失很多细节信息
而为了解决「信息过长，信息丢失」的问题，Attention 机制就应运而生了。
·对于Seq2Seq with Attention来说：Eecoder 不再将整个输入序列编码为固定长度的「中间向量Ｃ」，而是编码成一个向量的序列(包含多个向量)。
Attention 机制：
对于中间语义编码和attention值之间的关系：看这个博主的https://blog.csdn.net/qq_45556665/article/details/127459191这一部分博客
「
「
」
我现在的理解是：经过Encoder，被编码成语义编码C，语义编码是一块高度抽象的内容。Ci 就是第i个单词的attention值，它是一个中间语义编码，解码（Y1 = f1 ( C1 ) ； Y2 = f1 ( C2 ，Y1 ) ； Y3 = f1 (C3 ，Y1，Y2 )）完成后输出序列 {Y1=“汤姆”，Y2=“追逐”，Y3=“杰瑞”}。
在下面的transformer中，会用到另一种机制 self-attention.
1.注意力机制Attention发生在Target的元素Query和Source中的所有元素之间。
2.而Self Attention顾名思义，指的不是Target和Source之间的Attention机制，而是Source内部元素之间或者Target内部元素之间发生的Attention机制，也可以理解为Target=Source这种特殊情况下的注意力计算机制。其具体计算过程是一样的，只是计算对象发生了变化而已。
3.可以粗暴的理解为：self-attention是attention的一种特殊情况
第三部分 transformer
这一部分建议看这个视频：【【唐博士带你学AI】NLP最著名的语言模型-BERT 10小时精讲，原理+源码+论文，计算机博士带你打通NLP-哔哩哔哩】 https://b23.tv/NwnylCo
还是考虑上文中已经出现过的机器翻译的模型(Transformer一开始的提出即是为了更好的解决机器翻译问题)。
3.1自注意力部分：
3.1.1 先来认识一下三个向量
每个单词各自创建一个查询向量、一个键向量和一个值向量
3.1.2 attention整体流程
第一步：生成查询向量、键向量和值向量
第二步：计算得分：要去查询的单词（Query)去点积例子中所有词的键向量key
·q1和k1的点积(根据点积结果可以判断q1和k1这个向量的相似性)
·q1和k2的点积(根据点积结果可以判断q1和k2这个向量的相似性)
第三、四步：分数除以8然后softmax
第五、六步：值向量乘以softmax分数后对加权值向量求和
整体思路会发现，self-attention和attention 几乎一样，区别在于Target？=Source
3.2 多头注意力机制“multi-headed” attention
3.2.1 定义
简单的说就是，多来几对“
”的矩阵集合
3.2.2过程介绍
如果我们做与上述相同的自注意力计算，只需8次不同的权重矩阵运算，我们就会得到8个不同的Z矩阵
前馈层没法一下子接收多个矩阵，它需要一个单一的矩阵(矩阵中每个的行向量对应一个单词，比如矩阵的第一行对应单词Thinking、矩阵的第二行对应单词Machines)
所以我们需要一种方法把这多个矩阵合并成一个矩阵。直接把这些矩阵拼接在一起，然后乘以一个附加的权重矩阵
3.2.3 为什么要用“多头 ”，“1个头”不行吗？
我们在学习计算机视觉的时候，对于线性分类的的权值模版，在不考虑代价的情况的自然是多多益善。这样机器能学到更多的图像特征，图像分类任务会更加精准。
在本文这个任务重，通过不同的head得到不同的特征表达。总有一个头会关注到咱们想关注的点，避免在编码时遗漏了我们想要关注的点。
3.3 Transformer 的编码器和解码器
3.3.1 编码器 将源语转化为一个中间语义向量C
1.先经过一个自注意力层（self-attention ）：self-attention机制会帮助编码器在对每个单词编码时关注输入句子中的的其他单词。
2.前馈(feed-forward)神经网络
注：可能会有好几层这样的结构
3.3.2 解码器
1 .一个带masked的Multi-Head Attention，本质是Self-Attention ：
该自注意力层只允许关注已输出位置的信息，实现方法是在自注意力层的softmax之前进行mask，将未输出位置的权重设置为一个非常大的负数(进一步softmax之后基本变为0，相当于直接屏蔽了未输出位置的信息) 简而言之就是，在翻译第i个单词的时候，不能看到第i个后面翻译的单词
2.一个不带masked的Multi-Head Attention，本质是Encoder-Decoder Attention
这个注意力层的K 和V都来自Encoder最后一层的输出，Q来自于上一个Decoder单元的输出
比如当我们要把“Hello Word”翻译为“你好，世界”时：
在解码并输出 “你好”时，会关注编码器的“Hello ”和“Word”