你真懂Transformer吗？

hdy

你真懂Transformer吗？

我不知道点开这篇文章的同学们；

有多少敢说自己完全学会并理解了Transformer模型。

反正根据我的讲课经验和开发经验；

我敢说100个宣称自己学过Transformer的同学；

真理解Transformer的，可能不足10人。

甚至哪怕你发了一篇基于Transformer的论文；

或者微调了一个基于Transformer的模型；

但对于一些基础问题，可能也没法思路清晰的完整回答出来。

不信，咱们就试试~ ^_^

问题1：

任何深度学习模型，都要讨论模型的训练流程和推理计算流程。

那么对于Transformer模型；

在“训练模型的过程中”与“训练完成后使用模型进行推理计算时”；

对于这两个流程，具体有哪些不同的地方呢？

请基于Transformer模型的推理模式，即自回归，Autoregressive模式；

与Transformer模型的训练模式，即教师强制，Teacher Forcing模式；

在英译汉机器翻译问题的业务场景下，深入回答这个问题。

问题2：

观察

Transformer会看到3个橙色的矩形，它们是多头注意力模块；

这个矩形的下方，有三个分叉，对应了Q、K、V。

我们会发现，下面两个橙色的多头注意力的Q、K、V输入，都是一样的。

而右上方的橙色矩形的3个输入，也就是那3个分叉；

其中两个来自于左边的编码器，用红色圈标记；

一个来自于下方的解码器，用蓝色圈标记。

我的问题是，对于这三个分叉，谁是Q、谁是K、谁是V？

换句话说，蓝色圈标记的那个分叉，是Q、是K，还是V？

请基于Scaled Dot Product Attention，深入回答这个问题。

再多的问题，我就不问了。

上面这两个问题，如果同学们能思路清晰的回答出来；

那就说明同学们真正理解了Transformer。

实际上，问题1和问题2，它们分别从宏观和微观的角度；

对Transformer背后的原理提出了问题。

对于刚刚初学Transformer的同学；

需要先宏观的了解Transformer的工作原理；

再微观的研究Transformer中每个组件的计算过程和细节。

接下来，我就以第1个问题为前提，给大家讲讲Transformer。

帮助同学们快速了解Transformer是如何工作的。

讲解包括了3个部分：

1.基于“英译汉”机器翻译任务；

快速认识Transformer。

2.详细讨论，Transformer的推理模式；

即自回归，Autoregressive模式。

3.详细讨论，Transformer的训练模式；

即教师强制，Teacher Forcing模式。

1.快速认识Transformer

我们以“英译汉”机器翻译任务为前提来说明Transformer。

首先绘制一个简洁版的Transformer模型架构图：

这个架构图只表现出Transformer的大体结构和输入、输出数据；

忽略掉了Transformer模型中包含的各个具体的组件；

将Transformer模型看做是一个整体，进行讨论。

举例说明：

设待翻译的英文数据是“Are you OK ?”；

中文的翻译标注数据是“你好吗？”；

它们会从模型的左下方“Inputs”和右下方“Outputs shifted right”；

这两个位置进入模型。

因此下方的“Inputs”和“Outputs”，是模型的数据输入位置。

经过模型的推理计算，假设模型的翻译预测结果是“你干什么？”；

那么它会从模型的右上方Outputs位置输出。

这里我故意将模型的翻译输出写错；

从而更明确的表示上方的输出才是模型的预测结果。

特别说明：

严格来说“Are you OK?”、“你好吗？”、“你干什么？”；

这两组输入和一组输出是无法如上图中一样，同时出现的。

我此时只是用这个例子，帮助同学们快速认识Transformer。

总结来说，整个Transformer由两部分组成：

左侧的矩形结构，被称为“Encoder编码器”；

右侧的矩形结构，被称为“Decoder解码器”。

初学时，我们不必深究Encoder和Decoder内部到底是如何工作的；

我们只需要知道，Encoder用来接收并处理“待译英文”数据；

Decoder用来接收并处理“中文标注”数据，就可以了。

下面，我们要重点研究Transformer的2种不同的工作模式：

自回归的推理模式和教师强制的训练模式。

2.自回归的推理模式

理解“自回归的推理模式”是理解“教师强制的训练模式”的前提。

我们需要知道，在使用“自回归推理”时；

Transformer模型已经完成了训练。

我们要使用模型中的参数，对未知的数据进行推理计算。

例如，对于英译汉问题，就是根据未知的英文；

使用已训练的Transformer模型，将英文推理计算为中文翻译结果。

因此在“推理模式”时，我们并不知道英文的准确翻译结果。

也就是模型的右下角，问号标记的位置；

一开始并没有可以输入的中文标注数据。

同学们此时可以想一想，这个???位置应该输入什么样的数据呢？

“自回归的推理模式”实际上是一个循环的过程。

第1次循环：

首先，待译英文是“Are you OK ?”，它仍然会从模型下方的左侧位置输入。

不同于训练阶段，在推理时，模型的右下方，不会有完整的中文标注数据输入。

最开始只有一个特殊的起始符号；

例如<start>，输入进来。它会提示模型此时已开始中文翻译工作。

Transformer模型的Encoder，会接收并处理左侧的英文输入；

Transformer模型的Decoder，会接收并处理右侧的起始符号<start>。

然后经过Encoder和Decoder的共同努力；

Transformer就会完成了第一次推理计算。

如果此时模型算对了；

就会看到模型整体计算出了中文翻译结果中的第一个单词：“你”。

这里要特别说明：

因为待翻译的英文后面也不会发生变化；

所以对于左侧的英文的编码计算工作，只会进行一次计算。

第2次循环：

对于待翻译的英文“Are you OK ?”的计算，会直接使用刚刚的计算结果。

将起始符号<start>和生成的“你”；

一起作为输入，输入至模型；

并生成第2次推理计算的结果“好”。

第3次循环：

实际上我们只需要考虑右侧的Decoder的循环工作过程；

因此我们可以将左侧的矩形框Encoder省略掉。

按照同样的方式，进行第3次推理计算：

根据“<start>”、“你”、“好”，计算出“吗”。

继续按照这样的计算流程，进行n轮推理计算。

当模型的右上方，生成了预先定义的特殊结束符号时：

例如<end>，就说明Transformer的推理计算完成了，不再需要下一次计算。

总结

“自回归的推理模式”就是基于之前的计算结果，推理后续的计算结果。

换句话说，在模型逐步生成输出序列的过程中；

其中的每一步产生的生成结果，都会依赖于之前已生成的结果。

如果疏略掉“自回归”中的循环进行输入输出的过程：

那么Tranformer就是基于“Are you OK ?”和“<start>”；

生成了翻译结果，“你 好 吗 ？<end>”。

3.Transformer的基本训练流程

我们先不讨论Transformer的教师强制训练模式。

单纯将Transformer看作是一个普通的深度学习模型；

思考这个模型的基本训练逻辑。

训练一个深度学习模型；

就是要想办法，计算出“模型推理结果y^”和“人工标注数据y”之间的误差。

然后尽可能找出使“误差”最小的模型参数。

其中“误差”使用“损失函数loss”基于y和y-hat计算。

下面我们将Transformer前向传播的推理过程，看作是一个整体来考虑。

前向推理：

输入x对应了“Are you OK ?”；

预测结果是“你干什么？”，它对应了y^。

相比其他深度学习模型，Transformer最特殊的地方在于；

标记值Y“你好吗”也需要作为输入，输入到神经网络中。

相当于每次训练Transformer时；

Transformer会将“Are you OK ?”和“你好吗？”；

一起推理为“你干什么？”。

需要注意的是：

这个例子并不能体现真正的训练过程。

因为在教师强制的训练模式下；

是不可能出现“你干什么？”，这种预测结果的。

因为其中Y^和Y的长度，一定是一样的。

换句话说，在训练时，模型有可能预测出“你干嘛？”；

因为它的长度和“你好吗？”一样。

但模型一定预测不出“你干什么？”。

一会等我具体讲到“教师强制”后，同学们就理解我此时为什么这么说了。

计算损失：

然后我们要做的就是计算出中文标注“你好吗？”；

和模型预测“你干嘛？”之间的损失loss了。

loss描述了中文标注Y“你好吗？”；

和预测值Y^“你干嘛？”之间的差异；

这个差异会使用交叉熵误差CrossEntropy进行计算。

梯度下降：

当计算出loss后，要继续计算loss关于Transformer模型中参数θ的梯度：

然后使用梯度下降算法，更新这些参数θ。

当完成前向推理、损失计算和梯度下降三个步骤后；

就完成了1次深度学习模型的迭代。

4.教师强制，Teacher Forcing模式

“教师强制的前向推理”与“自回归的前向推理”，它们的底层逻辑是一样的。

不同的地方在于，“自回归”的前向推理是一个循环过程。

而“教师强制的前向推理”，是基于不同长度的真实标签，“分别”进行推理。

具体举个例子。

设一组标注，待译英文是“Are you OK ?”，中文标注是“你好吗？”。

在计算前，我们需要会先将标注“你好吗？”添加<start>和<end>，对应起始和结束标记。

接着构造出表格中的5组训练数据：

这5组训练数据，也被称为“5个时间步”的训练数据。

仔细观察表格：

第1列，时间步t：

它和第3列，解码器输入序列y的长度相同。

第2列，编码器的输入x：

每个x都一样，为are you ok?。

第3列，解码器的输入序列：

y的下标是1~t-1，表示预测第t个时间步的单词yt，需要1到t-1时间步的历史信息。

第4列是解码器输出：

也就是第t个时间步的预测标签。

以第2个时间步举例说明：

x“Are you OK ?”从左下方输入；

解码器输入长度是2，也就是y1、y2；

对应了“<start>”和“你”，它们从右下方输入；

解码器输出为y3，对应“好”字。

如果此时模型预测出“干”字。

这说明模型预测错了，我们要优化预测值“干”和标注“好”之间的损失。

接着基于这个例子继续说明“教师强制”：

我们会看到解码器的每一步输入，也就是y1到y(t-1)这一列，实际上都是标注数据中的词语。

比如输出了“干”；

但对于第3个时间步；

在训练时仍然会使用“Are you OK ?”和“<start> 你 好”作为输入，去预测“吗”。

所以第2个时间步的错误输出“干”；

只是第2个时间步的输出。

它不会影响第3个时间步的训练时的输入。

因此解码器强制使用了正确的数据作为输入，就被称为“教师强制”。

在使用“教师强制”时，可以不用担心某一个时间步出错，影响到后面的计算。

换句话说，如果没有“教师强制”，就很可能越错越离谱。

整体来说：

Are you OK会被输入至编码器；

输入给解码器的数据可以看做是下三角矩阵；

模型的预测结果是一个列向量y-hat。

标签值是列向量Y，其中保存了“你、好、吗、？、<end>”。

最终我们要计算所有时间步的：

Y与y-hat之间的损失loss。

这里需要说明的是：

输入至解码器的下三角矩阵形式的数据；

并非是真实意义的下三角矩阵数据。

它的本质仍然是一行数据：

只不过会通过因果掩码矩阵，在计算注意力的时候体现处理。

说到这，本期视频也就结束了。

大家是不是已经学懂了Transformer呢？

对了，别忘了还有个问题2。

在解码器上方的多头自注意力机制中：

对于三个输入分叉，到底谁是Q、谁是K、谁是V？