【機器翻譯】transformer

?2018-05-01?|??ML?，?app?，?nlp?，?translation?，?2. 主流model-研究現(xiàn)狀?，?2. NMT?，?transformer?|??3129

?本文字?jǐn)?shù)：?|??閱讀時長 ≈

簡介

在2017年5月Facebook發(fā)布了ConvSeq2Seq模型吊打了GNMT一個月之后，Google發(fā)出了最強有力的反擊，發(fā)表了一篇論文Attention is all you need，文中提出了一種新的架構(gòu)叫做Transformer，用以來實現(xiàn)機器翻譯。它拋棄了傳統(tǒng)的CNN、RNN，只采用attention，取得了很好的效果，激起了工業(yè)界和學(xué)術(shù)界的廣泛討論。

背景，motivation

如何獲取context信息

常用的模型架構(gòu)有RNN、CNN、CRF，詳見?序列學(xué)習(xí)。

transformer橫空出世

Transformer避開了recurrence，只用attention，便可以刻畫出輸入和輸出的依賴關(guān)系。

對比RNN的決策步驟太長問題，transformer可單步?jīng)Q策。通過一層self-attention，bank能夠直接attend到river上。

ConvS2S是線性時間復(fù)雜度，ByteNet是log時間復(fù)雜度。而Transformer則是常數(shù)時間復(fù)雜度

創(chuàng)新點

• dot product attention
• multi-head
• 彩蛋: restricted self-attention，

dot product attention

Scaled Dot Product Attention

Multi-Head Attention

前面給出的是一般化的框架形式的描述，事實上Google給出的方案是很具體的。首先它定義了Attention一種泛化形式：

Attention(Q,K,V)=softmax(QK?dk??√)VAttention(Q,K,V)=softmax(QK?dk)V

其中Q∈Rn×dk,K∈Rm×dk,V∈Rm×dvQ∈Rn×dk,K∈Rm×dk,V∈Rm×dv。如果忽略激活函數(shù)softmax的話，那么事實上它就是三個n×dk,dk×m,m×dvn×dk,dk×m,m×dv的矩陣相乘，最后的結(jié)果就是一個n×dvn×dv的矩陣。

這里將attention抽象成?q: query,?k: key,?v: value。

為什么要采用scale？

因為量級太大，softmax后就非0即1了，不夠“soft”了。也會導(dǎo)致softmax的梯度非常小。也就是讓softmax結(jié)果不稀疏(問號臉，通常人們希望得到更稀疏的attention吧)。

attention 可以不只是用于 decoder 里每步輸入一個符號，而是可以用在網(wǎng)絡(luò)中的任意一層，把一個序列轉(zhuǎn)換成另一個序列。這個作用與 convolutional layer、recurrent layer 等是類似的，但有一個好處就是不再局限于局域性。attention是直接去capture dependency structure，擺脫了局限性魔咒

attention 可以一般地描述為在一個 key-value mapping 中進行檢索，只不過 query 跟 key 可以進行模糊匹配，檢索結(jié)果是各個 key 對應(yīng)的 value 的加權(quán)平均。

Query, key, value 其實并不是專門針對翻譯的概念。不過可以舉一些翻譯中的例子。例如，當(dāng)剛剛翻譯完主語之后，attention 的內(nèi)部狀態(tài)就會想要去找謂語，這時它就把「想找謂語」這件事編碼成 query。然后句子里本身是謂語的地方，會有一個 key，表明「我這里可以提供謂語」，它跟 query 一拍即合。這個 key 對應(yīng)的 value 就是謂語本身的 embedding。

點乘注意力在何凱明的Non-local Neural Networks中被解釋成Embedded Gaussian的一種特例。非要跟高斯扯上關(guān)系，好牽強。

VS additive attention

additive attention等價于一個前饋網(wǎng)絡(luò):

softmax([Q,K]W)=softmax(QWQ+KWK)softmax([Q,K]W)=softmax(QWQ+KWK)

這個的計算速度沒有dot-product attention在GPU上快。

詳見 Neural machine translation by jointly learning to align and translate

VS 其他attention

Multi-Head Attention

以Q為例，單個head的計算

• code-t2t
• code-Kyubyong
• code-keras

將輸入向量切成8份，這每一
份可以看成一個local partial，然后再分別attnetion最終再concat成一個context向量。如果將本文multi-head attention的V輸入切成八份后的
向量類比關(guān)注不同local paritial的卷積核的話，我們可以看到CNN和這里multi-head attention異曲同工

優(yōu)勢：

It expands the model’s ability to focus on different positions。 這個最強勢。通過attention到不同的維度。細粒度的attention，超贊。

• 既是細粒度的attention，又不增加計算量

能在encode的時候并行化，(這里的并行是相對RNN嗎？one-head是大矩陣也可以并行。convS2S同樣可以）

降維到d/head，即bottleneck的思想，減少計算量

舉例
忽略batch_size

復(fù)制

1 2 3 4 5 6 7 8 9 10 11 12

num_units = 512 # 也叫 num_channel, emb_size max_length = 10K,Q,V = [10, 512] W = [512,512] A = attention(KW, KQ, KW)加上head后 num_head = 8 K_i,Q_i,V_i = [10,64] # W_i = [64,512] # 值得注意的是，這里不是 [64,64]，即并未減少計算量和參數(shù)量 A_i = attention(K_i W_i, W_i,)

?

• Multiple attention layers (heads) in parallel
• Each head uses different linear transformations.
• Different heads can learn different relationships.

思考

self attention遺漏了什么？位置信息

self attention中的k, q, v分別指代什么？

self attention是否可逆向？

FFN層

FFN(Position-wise Feed-Forward Network)。

• Position-wise: 顧名思義，就是對每個position采用相同的操作。
• Feed-Forward Network: 就是最普通的全連接神經(jīng)網(wǎng)絡(luò)，這里采用的兩層，relu作為激活函數(shù)

position wise FFN

FFN層對接multi-head attention層，那么該層的輸入?x∈Rbatchsize×length×dmodelx∈Rbatchsize×length×dmodel。

https://github.com/tensorflow/tensor2tensor/blob/v1.9.0/tensor2tensor/models/transformer.py#L1373

FFN(x)=max(0,xW1+b1)W2+b2FFN(x)=max(0,xW1+b1)W2+b2

其中輸入和輸出的維度都是$d{model}=512，中間維度是，中間維度是d{ff}=2048$。對于單個position

x∈R512,W1∈R512×2048,W2∈R2048×512x∈R512,W1∈R512×2048,W2∈R2048×512

與卷積的等價性

這里的全連接層，一種替代方案就是采用kernel size為1的卷積，即

tensor2tensor中有兩種實現(xiàn)dense_relu_dense?和?conv_relu_conv，默認采用的前者。

其中卷積的維度是

復(fù)制

1 2 3

input.shape = [batch_size, length, 512] kernel_1 = [2048,1] kernel_2 = [512, 1]

?

tensor2tensor實現(xiàn)中，conv1d中的kernel_size如果為1，默認返回dense。源碼

復(fù)制

1 2 3 4

def tpu_conv1d(inputs, filters, kernel_size, padding="SAME", name="tpu_conv1d"):if kernel_size == 1:return dense(inputs, filters, name=name, use_bias=True)...

?

逗比，conv到底比dense會不會加速？

為什么我覺得kernel_size=512才等價于全連接？

實際上，kernel_size沒必要一定是1的。

層數(shù)與維度設(shè)計

很自然，我們有兩個疑問。

為什么要兩層？MLP?

為什么要先升維再降維？ high-rank

通常的bottleNeck架構(gòu)，先降維再升維(減小計算量)。

兩大作用:

multi-head attention之后的merge

• 類似group conv之后的merge，DWConv后的1*1卷積與channel shuffle

小結(jié)

為什么叫強調(diào)position-wise？

• 解釋一: 這里FFN層是每個position進行相同且獨立的操作，所以叫position-wise。對每個position獨立做FFN。
• 解釋二：從卷積的角度解釋，這里的FFN等價于kernel_size=1的卷積，這樣每個position都是獨立運算的。如果kernel_size=2，或者其他，position之間就具有依賴性了，貌似就不能叫做position-wise了

為什么要采用全連接層？

• 目的: 增加非線性變換
• 如果不采用FFN呢？有什么替代的設(shè)計？

為什么采用2層全連接，而且中間升維？

• 這也是所謂的bottle neck，只不過低維在IO上，中間采用high rank

Positional Encoding

回顧一下Transformer的整個架構(gòu)，不難發(fā)現(xiàn)Transformer模型本身并不能捕捉序列的順序。換句話說，如果將K,V按行打亂順序（相當(dāng)于句子中的詞序打亂），那么Attention的結(jié)果還是一樣的。這就表明了，到目前為止，Attention模型頂多是一個非常精妙的“詞袋模型”而已。

Sinusoid Positional Encoding

code

1、以前在RNN、CNN模型中其實都出現(xiàn)過Position Embedding，但在那些模型中，Position Embedding是錦上添花的輔助手段，也就是“有它會更好、沒它也就差一點點”的情況，因為RNN、CNN本身就能捕捉到位置信息。但是在這個純Attention模型中，Position Embedding是位置信息的唯一來源，因此它是模型的核心成分之一，并非僅僅是簡單的輔助手段。

2、在以往的Position Embedding中，基本都是根據(jù)任務(wù)訓(xùn)練出來的向量。而Google直接給出了一個構(gòu)造Position Embedding的公式：

?????PE2i(p)=sin(p/100002i/dpos)PE2i+1(p)=cos(p/100002i/dpos){PE2i(p)=sin?(p/100002i/dpos)PE2i+1(p)=cos?(p/100002i/dpos)

這里的意思是將id為pp的位置映射為一個$dpos維的位置向量，這個向量的第維的位置向量，這個向量的第i個元素的數(shù)值就是個元素的數(shù)值就是PE{i}(p)$。Google在論文中說到他們比較過直接訓(xùn)練出來的位置向量和上述公式計算出來的位置向量，效果是接近的。因此顯然我們更樂意使用公式構(gòu)造的Position Embedding了。

3、Position Embedding本身是一個絕對位置的信息，但在語言中，相對位置也很重要，Google選擇前述的位置向量公式的一個重要原因是：由于我們有?sin(α+β)=sinαcosβ+cosαsinβsin?(α+β)=sin?αcos?β+cos?αsin?β以及cos(α+β)=cosαcosβ?sinαsinβcos?(α+β)=cos?αcos?β?sin?αsin?β，這表明位置p+kp+k的向量可以表示成位置pp的向量的線性變換，這提供了表達相對位置信息的可能性。

小結(jié)

Transformer并沒有在結(jié)構(gòu)上突破傳統(tǒng)的LSTM和CNN，只是采用了position encoding的方式取巧。
如何在結(jié)構(gòu)上突破CNN和LSTM的缺陷，達到獲取position(時序)信息、任意長度依賴、易并行的效果？

其他方案

• 拼接: 起來作為一個新向量，也可以把位置向量定義為跟詞向量一樣大小，然后兩者加起來。FaceBook的論文和Google論文中用的都是后者。直覺上相加會導(dǎo)致信息損失，似乎不可取
• multi-channel:

其他

layer norm

?

transformer - data flow

Result

可視化

經(jīng)過測試，列了以下可視化結(jié)果。

TODO，+動態(tài)可視化

維度設(shè)計

在NLP的很多網(wǎng)絡(luò)里，一般

• hidden_dim和embedding_dim 相等
  -

每層的維度都是相同的維度，(只在FFN層進行了局部升維)。

這與傳統(tǒng)的

參數(shù)量 & 計算量

code

• TensorFlow
  • https://github.com/Kyubyong/transformer?簡易版，bucket、lr、decay等都沒有實現(xiàn)
  • https://github.com/tensorflow/models/tree/master/official/transformer?TF官方code，基本不更新
  • https://github.com/tensorflow/tensor2tensor#translation?官方code，產(chǎn)品級，更新頻繁
  • 代碼解析：?https://blog.csdn.net/mijiaoxiaosan/article/details/74909076
• Pytorch

缺陷

ss

Attention層的好處是能夠一步到位捕捉到全局的聯(lián)系，因為它直接把序列兩兩比較（代價是計算量變?yōu)镺(n2)O(n2))，當(dāng)然由于是純矩陣運算，這個計算量相當(dāng)也不是很嚴(yán)重）；相比之下，RNN需要一步步遞推才能捕捉到，而CNN則需要通過層疊來擴大感受野，這是Attention層的明顯優(yōu)勢。

擴展閱讀

• Transformer | Google-blog
• 《Attention is All You Need》淺讀（簡介+代碼）| kexue.fm?很多還沒看懂，后面繼續(xù)看
• 從convS2S到transformer | 知乎

相關(guān)文章

• 【機器翻譯】CNN系列 - convseq2seq

• 【機器翻譯】RNN系列 - GNMT

• 非局部連接網(wǎng)絡(luò) Non-local Neural Network

總結(jié)

以上是生活随笔為你收集整理的【机器翻译】transformer的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。