[公开课学习]台大李宏毅-自注意力机制 & Transformer

自注意力机制

存在一些问题，将vector set/sequence作为input，例如：

• 文字处理：将文字用one-hot表示，或者向量空间的向量表示，然后进行翻译任务等
• 语音处理：25ms音频作为一个向量，10ms间隔采集下一个window音频，整个音频文件作为输入，对应多个音频向量
• 社交图/分子图处理：每个节点看成一个向量，图就是vector set

对应的，输出结果有以下可能：
每个向量有一个输出结果，被称为sequence labeling任务，例如：

• POS tagging（词性标注）：每个词对应一个词性输出
• 图的节点处理：每个节点对应一个分类标签

整个向量序列只有一个输出结果，例如：

• sentiment analysis（情感分析）：一句话对应一个情感分析结果
• 语者辨认：听一段声音，判断是谁讲的
• 分子的性质：给一个分子图，判断其毒性等特性

不知道有多少输出结果，被称为seq2seq任务，例如：

• 文本翻译
• 语音辨识
  
  对于sequence labeling任务，可以借助FC和附近窗口，来获取周围的信息。但是这仍然不能保证窗口能观察到整个sequence的信息。
  
  因此引出了self-attention，它能让输入向量/隐层向量(如果有多层self-attention，第二层self-attention的输入就可能是隐层向量)，在考虑整个sequence的向量后，输出一个向量。
  

Self-attention的计算原理

1.以输入向量$a^1$为例，计算sequence中的所有向量与$a^1$的相关性，称为attention score.

计算的方式有两种(一般采用Dot-product方法)：

• Dot-product：考虑两个向量的attention score，先将这两个向量乘以权重矩阵得到向量$q$和$k$，再计算.
• Additive：考虑两个向量的attention score，先将这两个向量乘以权重矩阵得到向量$q$和$k$，再拼接起来，经过tanh和一个线性层，得到结果.
  
  注意：计算的结果要经过softxmax进行归一化处理，才得到真正的attention score。
  
  2.根据attention score，抽取对应向量的重要资讯：具体地，每个向量乘以权重矩阵，得到向量$v$，然后$v$都去乘以attention score并相加。
  

Self-attention的计算特点(可并行计算)

1. 计算q,k,v可并行

• query向量$q$可以同时被计算出来
• key向量$k$可以同时被计算出来
• value向量$v$可以同时被计算出来

2.计算attention score可并行

3.计算输出向量可并行

综合上面的结果: 从输入向量矩阵$I$到输出向量矩阵$O$，都可以并行计算。

Multi-head Self-attention

可能需要不同的self-attention模块学习到不同种类的相关性，因此引入Multi-head Self-attention.

Positional Encoding

self-attention其实并没有位置的资讯。因此，考虑为每个位置单独设定一个位置向量$e^i$。但是这个位置向量其实是“人为设置”的。

应用

In NLP

self-attention在NLP的应用，包括：Transformer，Bert

In Speech

由于语音往往有很长的向量序列，这会导致attention matrix很大，难以处理。
一个处理的技巧是Truncated Self-attention，即不看整个序列，而看一个范围。

In Image

图片也可以被看成是vector set，其中的一个vector是三维向量。

self-attention vs CNN

事实上，self-attention可以看成是复杂化的CNN，而CNN可以看成是简化的self-attention。self-attention的感受野是学到的，而CNN的感受野是人为定义的。

这种角度看，self-attention更加flexible，但是也意味着需要更多数据才不会overfitting。如下图，当数据量较少的时候，更不flexible的CNN的效果比较好，但随着数据量增大，更flexible的Self-attention则更好。

self-attention vs CNN

相似点：
1.输入都是vector sequence
2.都是sequence labeling，一个input向量对应有一个output向量

不同点：
1.self-attention的输出向量考虑了整个sequence的向量，而一般RNN的输出向量只考虑了sequence左边的向量(但实际上也有双向的RNN可以考虑双边的向量)。
2.RNN最右边的hidden vector很难回忆起最左边的输入向量的信息(因为这要求该信息一层层保存而不丢失)，而self-attention则容易的多。
3.RNN是不可并行的，而self-attention是可并行的。

In Graph

因为图已经有了边，所以不需要计算没有边的attention score。

Transformer

Transformer是为了解决seq2seq的问题。
具体的例子有：语音辨识；语音合成；聊天机器人；QA问题(很多NLP任务都可以看成是QA)；文法剖析(如下下图，目标是根据一个句子，写出他的文法树)；Multi-label classficitaion(一个样本对应多个label)；目标检测等。


接下来介绍seq2seq模型，它一般包含两个部分，encoder和decoder。
encoder负责处理sequence，decoder负责决定要输出什么样的sequence。

Encoder

Encoder的目标是输入一排向量，输出一排向量。其实RNN和CNN也可以做。但是Transformer里是采用Self-attention实现的。

解析每个Encoder-block

1.输入向量经过self-attention(Multi-head self attention)的输出向量和residual向量(输入向量)相加得到向量。
注意：最初的输入向量有包含Positional Encoding向量。
2.进行Layer Normalizaiton。
注意：Layer Normalizaiton不同于Batch Normalization，前者会求一个向量不同维度的均值和标准差，进行归一化。后者是求同一个维度不同向量的均值和标准差，进行归一化。
3.2中的向量经过全连接层的输出向量和residual向量(2中的向量)相加得到向量。
4.进行Layer Normalization。

补充说明：事实上，有研究表明：
1.不在输出之后做Layer Normalization，而是在进行网络计算前进行Layer Normalization，效果会更好。
2.Batch Normalization不如Layer Normalization。

Decoder

AutoRegressive(AT)

Masked Self-attention

所谓的masked self-attention，就是求当前向量关于其他向量的attention score，只能考虑在它前面的向量，不能考虑之后的向量。

以计算b2为例。

Decoder输出END

Non-autoRegressive(NAT)

NAT的decoder是将一整排begin的token作为输入，同时生成输出。
如何知道输出的长度
1.另外学一个模型，预测输出的长度
2.给一个输出长度的上限，当生成的输出有end，就将end后面的内容截断。

NAT的decoder的优点是并行，可控长度(在语音合成里面，输出长度减半，可以让语音速度变快)。
NAT的缺点是表现往往不如AT的decoder。

Encoder和Decoder之间如何传递资讯-Cross attention

Encoder会传过来K和V矩阵，而Decoder这边，经过masked multi-head attention，会传入Q矩阵。这个Q，K，V矩阵会进行multi-head-attention过程(也称为cross attetnion)。

PS：在Transformer原始论文中，Decoder的每一层Cross-attention都是拿Encoder最后一层的输出作为K和V。但是不一定需要这样，也有研究者在研究其他连接方式。

Training

以上讲的是推理过程。下面讲如何训练。(仍以语音识别为例)
1.构建数据集。声音讯号-对应标签。
2.Cross-entropy作为loss function。
注意：训练时，decoder的输入是ground truth，也就是会给decoder看正确答案。这种使用ground truth作为输入的技术被称为Teacher Forcing。

训练seq2seq模型(Transformer)的技巧

Copy mechanism

有些句子其实是需要复制出来。比如复制名称，简写摘要。解决方案详见：

Guided Attention

机器可能会漏掉一些讯息。在一些任务中，漏掉讯息是不可接受的，比如语音辨识，语音合成。解决方案：

Beam search

每次decoder都是贪心选择，但这不一定能保证全局最优。beam search方法可以获得一定程度上的更全局的优解。
注意：在一些创造性的任务中，比如语音合成，写文章，那么不适合用beam search找分数最高的路，而需要引入一些随机性。在答案明确的任务，比如语音辨识中，beam search则比较适合。

评价模型的指标-BLEU score

decoder产生完整句子后，再和正确答案去比较，得到BLUE score。
训练的时候，最小化cross entropy。
评价，模型选择的时候，是看BLUE score的。
训练的时候看BLUE score，很难训练，因为不容易算梯度。(当然也可以用RL的技术强行训练)。

exposure bias

在训练时，decoder的输入是ground truth，在推理时，decoder的输入可能不是正确的。这中间存在mismatch，称为exposure bias。这可能导致模型推理效果不理想。一种解决办法实际上是在训练的时候，输入并不完全用ground truth，这一定程度上在训练时，引入了随机性，这一种方法被称为Scheduled Sampling。

关于Scheduled Sampling技术可以详细看下面的文章。