Transformer【第五章】

文章目录

• ​​Seq2seq​​
• ​​Encoder​​
• ​​Decoder​​

• ​​Autoregressive​​
• ​​Non-autoregressive​​

• ​​Encoder-Decoder (Cross attention)​​
• ​​Training​​

Seq2seq

Transformer 是一个 Sequence-to-sequence 的 Model（缩写 Seq2seq）

input 是 一个 sequence，output 是一个 sequence，但是不知道多长，由机器自己决定 output 的长度。

应用：语音辨识，机器翻译，语音翻译

一般的 Seq2seq model 可以分为两块：Encoder + Decoder

input 一个 sequence，由 Encoder 负责处理这个 sequence，再把处理好的结果丢给 Decoder，由 Decoder 决定它要输出什么样的 sequence。

Encoder

作用：给一排向量输出另外一排向量（相同长度），Transformer 的 Encoder 使用的就是 Self-attention。

Encoder 中分为很多 block，每个 block 都是输入一排向量，输出一排向量，每个 block 实际并不是 Neuron Network 的一层，每个 block 作的事情，是好几个 layer 在作的事情：Self-attention、再丢到 FC 中，output 另外一排 vector（就是 block 的输出）

在原来的 Transformer 里面更复杂：

在 self-attention 的输出后加上原来的 input 的 vector，得到新的 ouput（残差网络），然后作 normalization（layer normalization），然后作为 FC 的输入，FC 也有 Residual 的架构，即将 FC 的输出加上 FC 的输入再作 layer normalization，然后作为 Block 的输出。

Decoder

Autoregressive

Decoder 产生输出

Decoder 先将 Encoder 的输出先读进去。

Decoder 如何产生一段文字：

1. 先给它一个特殊符号代表开始（BOS）一个Special的token
2. Decoder吃到这个特殊的符号，每个Token都可以用One-Hot的Vector表示（其中一维是 1，其它是 0）
3. Decoder输出一个vector，大小和Vocabulary的size一样（通过softmax来确定输出是哪个字），然后再将Encoder的输出、begin、 跟这个字的One-Hot的Vector作为Decoder的下一个输入，然后再得到输出，依次类推…，

Decoder 的结构：

Encoder 和 Decoder 的区别：

除了遮着的地方 和 Masked Self-attention，其它基本相似

Masked Self-attention （不考虑右边的）因为 Decoder 的输入是从左边输出产生的，没办法看到右边。

只和自己及左边的

Decoder 决定输出的长度。

需要加一个特殊的符号，表示结束。

Non-autoregressive

一次产生整个句子：

1. Classifier来决定输入的Begin的数量
2. 确定最长长度的begin，然后将输出在End处截断。

Encoder-Decoder (Cross attention)

Cross attention（连接 Encoder 和 Decoder 的桥梁）

有两个输入来自 Encoder，一个来自 Decoder。

Encoder 的输出是 ，begin 经过 Self-attention(Mask)，产生一个向量，然后将这个向量乘一个矩阵得到向量 Query ， 产生 和 ，然后将 和 计算 attention 的分数，得到 ，然后将 分别乘 ，然后再把其加起来的到 ，然后再经过 。

Cross attention： 来自 Decoder， 和 来自 Encoder

下一个输出的产生同上

Training

跟分类很像。

Decoder 每次的输出都是 One-hot 的 vector

分别对每一个 Decoder 的输出作 Cross Entropy，来训练。

训练的时候，给它正确的答案作为 Decoder 的输入。