点击上方“小白学视觉”，选择加"星标"或“置顶”

重磅干货，第一时间送达

目录：

• 背景知识

• 高层次理解

• 通过实例来理解Tensor

  • Encoding

• 高层次理解Self-Attention

  • Self-Attention的细节

  • Self-Attention矩阵乘法

  • Multi-headed完善

  • 整体过程

• 使用位置编码

  • 编码规则

• 残差神经网络 Residuals

• Decoder

• Linear 和 Softmax层

• 回顾训练过程

  • LossFunction

  • TargetModel Outputs

  • TrainedModel Outputs

一、背景知识

• Transformer是Google 的论文 Attention is All You Need中提出

• Google开源了一个基于TensorFlow的 Tensor2Tensor的第三方库

• 哈佛大学用PyTorch 对 这篇文章进行了深度解读：http://nlp.seas.harvard.edu/2018/04/03/attention.html

二、高层次理解

首先将Transformer理解成一个黑盒子，黑盒子的功能是翻译，你输入一个语句，它对你的输入进行翻译操作。

       

黑盒子可以进行展开，由两部分组成：Encoders和Decoders

             

对黑盒子进一步细化，可以发现由6个Encoder和6个Decoder组成

             

对于每一个Encoder，他们结构都是相同的，但是权值不共享。每一层都包括两部分：自监督+全连接

             

Self-attention的输入会被传入一个全连接的前馈神经网络，每个encoder的前馈神经网络的参数都是相同的，但是作用相互独立。

Decoder部分也有相同的层级结构，但是中间多了一个Encoder-Decoder-Attention层，帮助专注于对应的那个语句。（与Seq2Seq模型类似）

             

三、通过实例来理解Tensor

首先做一个embedding使得输入的单词成为向量，具体可看这篇博客：

https://blog.csdn.net/qq_41664845/article/details/84313419

             

列表的大小和词向量的维度大小都是可以设置的超参数，一般设置训练数据集中最长的句子的长度。这个例子是把每个单词编码为512维的向量。

             

可以观察到，x1,x2,x3输入后通过self-attention，分别得到了z1,z2,z3,这点就要注意，其实z1,z2,z3这3个是通过x1,x2,x3一起合作产生的。

Encoding

每一个Encoder接收一个512维的向量x作为输入，然后传递Self-Attention，产生一个等量的512维的z，再经过全连接神经网络，输出的r也是512维，然后传递给下一个encoder

             

注意，前馈神经网络的结构其实是一致的

四、高层次理解Self-Attention

假如输入：

”The animal didn't cross the street because it was too tired”

这句话

那么句子中的“it”如何和“animal”关联起来？

             

Self-Attention的细节

第一步：Q,K,V计算

对于每个单词，我们创建一个Query向量，一个Key向量和一个Value向量。这些向量是通过词嵌入乘以我们训练过程中创建的3个训练矩阵而产生的。

输入的向量维度是512维，新向量的维度64维。新向量的维度通过实际情况自己确定。

             

Multiplying x1 by the WQ weight matrix produces q1              

第二步：点乘

             

q1和k1点乘，q1和k2点乘，注意！！！是q1和k2！看清楚，不是q2

第三步、第四步：

将点乘的结果除以sqrt(dk)。这个里面向量是64，开方是8，那么就是除以8

然后进行Softmax的操作

             

Softmax的操作得到的分数，就是当前单词在每个句子中每个单位位置的表示程度。

第五步、第六步：

将Values和Softmax的值相乘得到v1,v2，对当前词的关注度不变，对不相关的的进行降低。

累加加权的向量得到z1

             

Self-Attention矩阵乘法

   第一步是去计算Query，Key和Value矩阵。X是x1和x2一起转化为的矩阵。

             

然后一下子就操作得到后面的Z

             

Multi-headed 完善

• 扩展了模型关注不同位置的能力

• 提供投影到不同的子空间subspace

             

通过multi-headed attention，我们为每个“header”都独立维护一套Q/K/V的权值矩阵。

使用8个时间点去计算权值矩阵，得到8个不同的矩阵z

             

把这8个矩阵链接在一起，然后再与矩阵Wo相乘

             

整体过程

             

我们随意找两个不同的attention header的情况（8列，取下下图的2,3列），看一下关注点会有什么区别

             

这两个时间戳上面，发现it最关注两个：animal和tire

将所有注意力都添加到图片上，可能不那么容易理解其中含义

             

五、使用位置编码

输入序列还要考虑单词的顺序的问题

transformer为每个输入单词的词嵌入了一个新的位置向量。

             

为了让模型知道单词的顺序信息，将位置编码的向量信息直接进行规则产生

比如嵌入的维度是4，实际编码效果如下：

             

编码规则

             

             

比如20个单词，每个单词编码为512维度。

一共20行，那么每一行就表示一个词向量，包含512个值，每个值在-1到1之间。可视化显示：

             

中心位置一分为2，主要是一半是正弦生成，一半是余弦生成。

对上述的Transformer2Transformer有细微改变显示的话：

             

import numpy as np
import matplotlib.pyplot as plt# https://github.com/jalammar/jalammar.github.io/blob/master/notebookes/transformer/transformer_positional_encoding_graph.ipynb
# Code from https://www.tensorflow.org/tutorials/text/transformer
def get_angles(pos, i, d_model):angle_rates = 1 / np.power(10000, (2 * (i//2)) / np.float32(d_model))return pos * angle_rates
def positional_encoding(position, d_model):angle_rads = get_angles(np.arange(position)[:, np.newaxis],np.arange(d_model)[np.newaxis, :],d_model)# apply sin to even indices in the array; 2iangle_rads[:, 0::2] = np.sin(angle_rads[:, 0::2])# apply cos to odd indices in the array; 2i+1angle_rads[:, 1::2] = np.cos(angle_rads[:, 1::2])pos_encoding = angle_rads[np.newaxis, ...]return pos_encodingtokens = 10
dimensions = 64
pos_encoding = positional_encoding(tokens, dimensions)
print (pos_encoding.shape)
plt.figure(figsize=(12,8))
plt.pcolormesh(pos_encoding[0], cmap='viridis')
plt.xlabel('Embedding Dimensions')
plt.xlim((0, dimensions))
plt.ylim((tokens,0))
plt.ylabel('Token Position')
plt.colorbar()
plt.show()

六、残差神经网络 Residuals

layer-normalization步骤              

             

             

进一步可视化

             

Decoder部分和这个是同样的。我们堆叠了2个Encoder和2个Decoder

             

七、Decoder

Encoder将其转化为一组attention的集合（K,V）

             

八、Linear 和 Softmax层

线性层是一个简单的全连接神经网络，由Decoder产生的向量投影到一个更大的向量中，成为对数向量Logits.

假设实验模型的语料库一共1万个英语单词，那么Logits的矢量表示1万个小格子，每个小格子就表示了一个单词。

线性层之后是一个Softmax层，Softmax层可以通过转换将分数转换为概率，选取概率最高的作为索引，然后通过索引找到单词作为输出

             

九、回顾训练过程

假设输出的词汇只有“a”、“am”、“I”、“thanks”、“student”、“<eos>结束符号”

             

一旦确定了输出的词汇表，就可以使用相同宽度的向量来表示词汇表中的单词，称为one-hot编码

举例子以句子中的“am”为例子，one-hot编码

             

Loss Function

模型的参数权重是随机初始化的

             

实际上做一个简单的减法就行

Target Model Outputs

             

Trained Model Outputs

             

虽然没有那么准确，但是通过比较可以找到最大的概率值

下载1：OpenCV-Contrib扩展模块中文版教程

在「小白学视觉」公众号后台回复：扩展模块中文教程，即可下载全网第一份OpenCV扩展模块教程中文版，涵盖扩展模块安装、SFM算法、立体视觉、目标跟踪、生物视觉、超分辨率处理等二十多章内容。

下载2：Python视觉实战项目52讲

在「小白学视觉」公众号后台回复：Python视觉实战项目，即可下载包括图像分割、口罩检测、车道线检测、车辆计数、添加眼线、车牌识别、字符识别、情绪检测、文本内容提取、面部识别等31个视觉实战项目，助力快速学校计算机视觉。

下载3：OpenCV实战项目20讲

在「小白学视觉」公众号后台回复：OpenCV实战项目20讲，即可下载含有20个基于OpenCV实现20个实战项目，实现OpenCV学习进阶。

交流群

欢迎加入公众号读者群一起和同行交流，目前有SLAM、三维视觉、传感器、自动驾驶、计算摄影、检测、分割、识别、医学影像、GAN、算法竞赛等微信群（以后会逐渐细分），请扫描下面微信号加群，备注：”昵称+学校/公司+研究方向“，例如：”张三 + 上海交大 + 视觉SLAM“。请按照格式备注，否则不予通过。添加成功后会根据研究方向邀请进入相关微信群。请勿在群内发送广告，否则会请出群，谢谢理解~