当前位置: 首页> 文旅> 美景 > Transformer从零详细解读

Transformer从零详细解读

时间:2025/7/9 11:08:18来源:https://blog.csdn.net/qq_55317476/article/details/142005660 浏览次数:0次

Transformer从零详细解读

一、从全局角度概况Transformer

​ 我们把TRM想象为一个黑盒,我们的任务是一个翻译任务,那么我们的输入是中文的“我爱你”,输入经过TRM得到的结果为英文的“I LOVE YOU”

image-20240907204119837

​ 接下来我们对TRM进行细化,我们将TRM分为两个部分,分别为Encoders(编码器)和Decoders(解码器)
image-20240907204310979

​ 在此基础上我们再进一步细化TRM的结构:
image-20240907204516292

​ 这里不一定是6个encoder和6个decoder,但是每个encoder之间的结构都是相同的,但是参数上并不相同,在训练的时候并不是只训练一个encoders,而是每个encoders都在训练。
​ 我们再看一下TRM原论文中的结构图:
image-20240907204735178

​ N是自己确定的数字,encoders和decoders之间的结构很不相同。

二、位置编码详细解读

​ 我们将encoder部分提取出来看,我们将encoder分为以下三个部分:
image-20240907205013310

​ 我们先看输入部分,输入部分分为:

  1. Embedding

    image-20240907205220310

    ​ embedding的操作方法就是:假如现在输入12个字,每个字用一个512维度的向量表示,那么这12个字展开后就是一个12*512的二维矩阵。矩阵的每个位置有两种初始化方式,一种是随机初始化,另一种是wordtovector方式。

  2. 位置编码

    ​ 我们从RNN结构来引入位置编码:
    image-20240907205626997

    ​ 对于RNN的所有的timesteps都共享同一套参数(U,W,V),例如右图上的“我”,“爱”,“你”在展开以后,使用的都是同一套参数(U,W,V)。

    面试题:RNN的梯度消失和普通网络的梯度消失有什么区别?
    RNN的梯度是一个总的梯度和,它的梯度消失并不是变为0,而是总的梯度被近距离梯度主导,被远距离梯度忽略不计。

1.位置编码公式:

image-20240907210344429

​ 2i代表偶数,在偶数位置使用sin,在2i+1奇数的位置使用cos,就比如我爱你中的爱这个字,进行展开,其中的偶数位置使用sin表达式,奇数位置使用cos表达式。得到展开式以后:
image-20240907210608231

​ 我们把字向量他们原本位置上的值与他们的位置编码相加,得到一个最终的512的维度的向量,作为TRM的输入。

2.为什么位置编码是有用的

​ 我们看下图中的推导,正余弦位置函数,这个体现出的是一种绝对位置信息。
image-20240907210902528

​ 以“我 爱 你”为例,pos+k 代表“你”,pos代表“我”,k代表“爱”,也就是说,“我爱你”中的“你”,可以被“我”和“爱” 线性组合起来,这样的线性组合就意味着绝对的位置向量中蕴含了相对位置信息。但是这种相对位置信息会在注意力机制那里消失。

三、多头注意力机制

1.基本的注意力机制

​ 我们看下图:
image-20240907211541271

​ 我们在看一张图的时候,一张图像总有一些部分是我们特别关注的地方。我们想通过一种方式得到“婴儿在干嘛”这句话 与图像中的哪部分区域更加关注/相似,这就是注意力机制的一种形式。

​ 计算公式:
image-20240907211815247

​ 我们举一个例子,就拿上面的例子为例,我们通过计算来判断下“婴儿在干嘛”这句话与图片中的哪部分区域更加相似,看下图:

image-20240907212008937 我单抽出婴儿这个单词,我们将区域分为四个部分,我们将“婴儿”作为q向量,四个区域分别对应K向量,和他们各自的V向量。我们判断“婴儿”与四个区域点乘的结果哪个是最大的,最大就代表了最相似。

​ 我们再举一个词与词的例子:
image-20240907212352609

​ 我们的计算步骤如下图:
image-20240907213938735

在只有单词向量的情况下,如何获取QKV

image-20240907214210685

​ 简单来说就是x1与WQ得到q1,,,行列分别相乘。

2.计算QK相似度,得到attention值

image-20240907214449575

​ 为什么要除以根号dk,q与k相乘值很大,softmax在反向传播的时候值很小,梯度会消失。在实际代码使用矩阵,方便并行。

image-20240907214659540

3.多头注意力机制

​ 多头,相当于把原始数据打到了多个不同的空间,保证TRM捕获到不同空间中的多种信息。

image-20240907215013033

​ 最后,我们将多套QKV计算得到的 结果通过一次矩阵计算进行合并,这样就可以得到我们多头注意力的输出。

image-20240907215151412

四、残差详解

1.什么是残差网络

​ 残差的原则就是输出至少不比输入差!多进行一个加法操作。image-20240907215526751

​ 我们可以再看一个很经典的图:
image-20240907215647125

2.残差网络的数学推导

image-20240907215840835

五、Batch Normal详解

​ BN的效果差,所以不用。再nlp中,很少使用BN,大多使用LN。

1.什么是BN,以及使用场景

image-20240907220213021

​ 我们看下面一张图:
image-20240907220301380

​ 每一行代表一个特征,每个人的“体重,身高”等指标,每个人的第一个特征都是“体重”。x1,x2分别代表不同的人。

2.BN的优点

  1. 可以解决内部协变量偏移
  2. 缓解了梯度饱和问题(如果使用sigmoid激活函数的话),加快收敛

3.BN的缺点

  1. batch_size较小的时候,效果差,局部的方差并不能代表全局
  2. BN再RNN中效果差,我们看下面的例子:前9个句子只有5个向量,但是第10个句子的长度达到20个向量的,这样导致第6到20维无法做BN,从而导致BN在RNN的处理中效果差
    image-20240907220713990

六、Layer Normal详解

1.如何理解LN

​ 理解:为什么LayerNorm单独对一个样本的所有单词做缩放可以起到效果。

​ 我们如果把BN引申到RNN,下面这张图则表示“我”和“今”是同一层的语义信息,,,“爱“和”天“是一层语义信息里面。

image-20240907221036404

​ 而在LN中,我们认为这两段话每段话都是分别的一个语义信息。

2.前馈神经网络

image-20240907221259306

七、Decoder详解

image-20240907221431239

1.多头注意力机制

image-20240907221510988

2.为什么需要mask

image-20240907221541150

​ 如果我们没有mask去训练的时候,我们在训练you的时候,所有的单词都对you做出了贡献。这样会导致训练和预测是不对等的。
image-20240907221638396

​ 正确的做法是:
image-20240907221734234

3.交互层

​ 我们再来看一下交互层,在交互层我们需要注意的是encoder的输出需要和每一个decoder做交互。
image-20240907221920599

image-20240907221957464

image-20240907222101400

image-20240907222158754

关键字:Transformer从零详细解读

版权声明:

本网仅为发布的内容提供存储空间,不对发表、转载的内容提供任何形式的保证。凡本网注明“来源:XXX网络”的作品,均转载自其它媒体,著作权归作者所有,商业转载请联系作者获得授权,非商业转载请注明出处。

我们尊重并感谢每一位作者,均已注明文章来源和作者。如因作品内容、版权或其它问题,请及时与我们联系,联系邮箱:809451989@qq.com,投稿邮箱:809451989@qq.com

责任编辑: