《Attention is all you need》
論文地址與項目源碼：
[1706.03762] Attention Is All You Need
Kyubyong/transformer
一、主要概念、任務與背景
RNN因為基於時序，無法實現並行計算
attention機制使對於dependency關係的建模不需考慮他們在句子中的距離
本文摒棄了RNN，直接使用attention機制來獲取全局的輸入輸出之間的dependency關係，這種模型更加合適並行計算，且達到了state of the art
為了減少sequential computation，其他模型都使用了CNN作為encoder來並行的計算生成hidden representation，但是，為了計算兩個位置間的dependency，隨著距離的增加，需要的operation就會線性或者對數性增多，導致學習遠距離的依賴關係更加困難
本文中，只用到固定數量的operation
self-attention，又名intra-attention，是一種將一個句子中不同位置關聯起來從而得到句子的representation的機制
二、本文主要工作、模型
Encoder：
6個layer，每個layer有兩個sub-layer，sub-layer的通式為：
output = LayerNorm(x+ Sublayer(x))，即對於每一個sub-layer都使用了殘差連接，隨後包上一層layer normalization
第一個sub-layer是一個multi-head self-attention mechanism
第二個sub-layer是一個position-wise的全連接層
模型中的所有sub-layer的輸出以及embedding的維度都是512（num_units）
具體做法是將QKV現在embedding的維度上切成八份，然後進入Scaled Dot-Product Attention，QK做矩陣乘法得到二者之間的匹配度，經過softmax之後施加於values
Decoder：
同樣有6個layer，每個layer在encoder的兩層sub-layer的基礎上在頭部又加了一個sub-layer，作為對於encoder的multi-head attention
Masked self-attention layer，防止輸出會從後面的序列中獲取信息：第i個位置的輸出只能依賴於已知的i以前的輸出
Self-Attention：
尺度變換是為了防止dot products量綱過大，導致softmax的梯度極小，導致訓練不穩定，這個根號dk就是所謂的scaled，本質上還是dot product
mask是為了保證時間先後關係，下圖未畫入mask和linear等細節
本文主要包括三種self-Attention：
1、encoder自身的self-attention，Q K V均來自於上一層輸出，當前層的每個position可以attend到上一層的所有位置
2、deocder自身的self-attention，同理，不同之處在於為了避免信息向左流動，在decoder內的scaled dot-attention加了一個mask-out層（encoder沒有），將所有在softmax的全連接層的非法連接屏蔽掉（置為-∞）
3、encoder-decoder attention，Query來自decoder內部的上一層，KV均來自於encoder的輸出。這一步操作模擬了傳統機器翻譯中的attention過程（信息的交互）。
前向網路Position-wise Feed-Forward Networks：
由兩個線性變換（Wx+b）和一個ReLU（relu的數學表達式就是f(x)=max(0,x)）
位置編碼Positional Encoding：
encoding編碼的維度和模型dim是一致的，這樣二者才能相加sum：
pos是位置（for pos in range(T)），i是維度（for i in range(num_units)），意思是positional encoding的每一個維度都對應了一個正弦曲線，波長區間為2π~10000×2π，作者認為這種方法可以使模型更容易去學著attend相關的position
三、實驗
可以看出，這種attention機制可以很好的學習到序列內部的dependency關係，下圖只顯示了make相關，不同顏色代表不同的head。
不同的head針對了不同的task，關注點也不同：
四、總結
一、
1、傳統的attention-based翻譯模型只含有target對source的attention信息，但是不包含source內部的各部分詞句之間的（語法、邏輯等等）關聯信息、target亦然，self-attention一定程度上解決了這個問題
2、我認為這種attention機制可以用於機器閱讀理解、問答對話等情景中，不僅包含answer對於source關注信息，同時包含二者自身內部各部分的邏輯、語義等關係信息（即各個詞之間的依賴關係）。相比於以往sentiment analysis任務中直接將answer embedding直接concat到input embedding或者hidden layer的上的做法，分別進行self-attention後再進行二者之間的attention，效果或許會更好。
3、Scaled Dot-Product Attention的本質還是點積attention，用這種方法得到Query和keys之間的匹配度信息，經過softmax後施加於Values上。
二、
1、相比於CNN、RNN，降低了計算複雜度，並且訓練可以實現並行，速度快。
2、相對於CNN有卷積核size限制，提取dependency的範圍有限，本文的attention機制則抓取了全局的內部關聯信息，獲取到long-range dependencies，是否可以將這種attrntion看做一個窗口更大的卷積核？
3、不會出現RNN內部可能存在的信息重疊的問題、沒有過多的信息堆積、冗餘、丟失
推薦閱讀：