本文將通過細(xì)節(jié)剖析以及代碼相結(jié)合的方式，來一步步解析Attention is all you need這篇文章。
這篇文章的下載地址為：https://arxiv.org/abs/1706.03762
本文的部分圖片來自文章：https://mp.weixin.qq.com/s/RLxWevVWHXgX-UcoxDS70w，寫的非常好！
本文邊講細(xì)節(jié)邊配合代碼實戰(zhàn)，代碼地址為：https://github.com/princewen/tensorflow_practice/tree/master/basic/Basic-Transformer-Demo
數(shù)據(jù)地址為：https://pan.baidu.com/s/14XfprCqjmBKde9NmNZeCNg 密碼:lfwu
好了，廢話不多說，我們進入正題！我們從簡單到復(fù)雜，一步步介紹該模型的結(jié)構(gòu)！
1、整體架構(gòu)
模型的整體框架如下：
整體架構(gòu)看似復(fù)雜，其實就是一個Seq2Seq結(jié)構(gòu)，簡化一下，就是這樣的：
Encoder的輸出和decoder的結(jié)合如下，即最后一個encoder的輸出將和每一層的decoder進行結(jié)合：
好了，我們主要關(guān)注的是每一層Encoder和每一層Decoder的內(nèi)部結(jié)構(gòu)。如下圖所示：
可以看到，Encoder的每一層有兩個操作，分別是Self-Attention和Feed Forward；而Decoder的每一層有三個操作，分別是Self-Attention、Encoder-Decoder Attention以及Feed Forward操作。這里的Self-Attention和Encoder-Decoder Attention都是用的是Multi-Head Attention機制，這也是我們本文重點講解的地方。
在介紹之前，我們先介紹下我們的數(shù)據(jù)，經(jīng)過處理之后，數(shù)據(jù)如下：
很簡單，上面部分是我們的x，也就是encoder的輸入，下面部分是y，也就是decoder的輸入，這是一個機器翻譯的數(shù)據(jù)，x中的每一個id代表一個語言中的單詞id，y中的每一個id代表另一種語言中的單詞id。后面為0的部分是填充部分，代表這個句子的長度沒有達(dá)到我們設(shè)置的最大長度，進行補齊。
2、Position Embedding
給定我們的輸入數(shù)據(jù)，我們首先要轉(zhuǎn)換成對應(yīng)的embedding，由于我們后面要在計算attention時屏蔽掉填充的部分，所以這里我們對于填充的部分的embedding直接賦予0值。Embedding的函數(shù)如下：
def embedding(inputs,
vocab_size,
num_units,
zero_pad=True,
scale=True,
scope="embedding",
reuse=None):
with tf.variable_scope(scope, reuse=reuse):
lookup_table = tf.get_variable('lookup_table',
dtype=tf.float32,
shape=[vocab_size, num_units],
initializer=tf.contrib.layers.xavier_initializer())
if zero_pad:
lookup_table = tf.concat((tf.zeros(shape=[1, num_units]),
lookup_table[1:, :]), 0)
outputs = tf.nn.embedding_lookup(lookup_table, inputs)
if scale:
outputs = outputs * (num_units ** 0.5)
return outputs
在本文中，Embedding操作不是普通的Embedding而是加入了位置信息的Embedding，我們稱之為Position Embedding。因為在本文的模型中，已經(jīng)沒有了循環(huán)神經(jīng)網(wǎng)絡(luò)這樣的結(jié)構(gòu)，因此序列信息已經(jīng)無法捕捉。但是序列信息非常重要，代表著全局的結(jié)構(gòu)，因此必須將序列的分詞相對或者絕對position信息利用起來。位置信息的計算公式如下：
其中pos代表的是第幾個詞，i代表embedding中的第幾維。這部分的代碼如下，對于padding的部分，我們還是使用全0處理。
def positional_encoding(inputs,
num_units,
zero_pad = True,
scale = True,
scope = "positional_encoding",
reuse=None):
N,T = inputs.get_shape().as_list()
with tf.variable_scope(scope,reuse=True):
position_ind = tf.tile(tf.expand_dims(tf.range(T),0),[N,1])
position_enc = np.array([
[pos / np.power(10000, 2.*i / num_units) for i in range(num_units)]
for pos in range(T)])
position_enc[:,0::2] = np.sin(position_enc[:,0::2]) # dim 2i
position_enc[:,1::2] = np.cos(position_enc[:,1::2]) # dim 2i+1
lookup_table = tf.convert_to_tensor(position_enc)
if zero_pad:
lookup_table = tf.concat((tf.zeros(shape=[1,num_units]),lookup_table[1:,:]),0)
outputs = tf.nn.embedding_lookup(lookup_table,position_ind)
if scale:
outputs = outputs * num_units ** 0.5
return outputs
所以對于輸入，我們調(diào)用上面兩個函數(shù)，并將結(jié)果相加就能得到最終Position Embedding的結(jié)果：
self.enc = embedding(self.x,
vocab_size=len(de2idx),
num_units = hp.hidden_units,
zero_pad=True, # 讓padding一直是0
scale=True,
scope="enc_embed")
self.enc += embedding(tf.tile(tf.expand_dims(tf.range(tf.shape(self.x)[1]),0),[tf.shape(self.x)[0],1]),
vocab_size = hp.maxlen,
num_units = hp.hidden_units,
zero_pad = False,
scale = False,
scope = "enc_pe")
3、Multi-Head Attention
3.1 Attention簡單回顧
Attention其實就是計算一種相關(guān)程度，看下面的例子：
Attention通常可以進行如下描述，表示為將query(Q)和key-value pairs映射到輸出上，其中query、每個key、每個value都是向量，輸出是V中所有values的加權(quán)，其中權(quán)重是由Query和每個key計算出來的，計算方法分為三步：
1）計算比較Q和K的相似度，用f來表示：
2）將得到的相似度進行softmax歸一化：
3）針對計算出來的權(quán)重，對所有的values進行加權(quán)求和，得到Attention向量：
計算相似度的方法有以下4種：
在本文中，我們計算相似度的方式是第一種，本文提出的Attention機制稱為Multi-Head Attention，不過在這之前，我們要先介紹它的簡單版本 Scaled Dot-Product Attention。
計算Attention首先要有query，key和value。我們前面提到了，Encoder的attention是self-attention，Decoder里面的attention首先是self-attention，然后是encoder-decoder attention。這里的兩種attention是針對query和key-value來說的，對于self-attention來說，計算得到query和key-value的過程都是使用的同樣的輸入，因為要算自己跟自己的attention嘛；而對encoder-decoder attention來說，query的計算使用的是decoder的輸入，而key-value的計算使用的是encoder的輸出，因為我們要計算decoder的輸入跟encoder里面每一個的相似度嘛。
因此本文下面對于attention的講解，都是基于self-attention來說的，如果是encoder-decoder attention，只要改一下輸入即可，其余過程都是一樣的。
3.2 Scaled Dot-Product Attention
Scaled Dot-Product Attention的圖示如下：
接下來，我們對上述過程進行一步步的拆解：
First Step-得到embedding
給定我們的輸入數(shù)據(jù)，我們首先要轉(zhuǎn)換成對應(yīng)的position embedding，效果圖如下，綠色部分代表填充部分，全0值：
得到Embedding的過程我們上文中已經(jīng)介紹過了，這里不再贅述。
Second Step-得到Q，K，V
計算Attention首先要有Query，Key和Value，我們通過一個線性變換來得到三者。我們的輸入是position embedding，過程如下：
代碼也很簡單，下面的代碼中，如果是self-attention的話，query和key-value輸入的embedding是一樣的。padding的部分由于都是0，結(jié)果中該部分還是0，所以仍然用綠色表示
# Linear projection
Q = tf.layers.dense(queries,num_units,activation=tf.nn.relu) #
K = tf.layers.dense(keys,num_units,activation=tf.nn.relu) #
V = tf.layers.dense(keys,num_units,activation=tf.nn.relu) #
Third-Step-計算相似度
接下來就是計算相似度了，我們之前說過了，本文中使用的是點乘的方式，所以將Q和K進行點乘即可，過程如下：
文中對于相似度還除以了dk的平方根，這里dk是key的embedding長度。
這一部分的代碼如下：
outputs = tf.matmul(Q,tf.transpose(K,[0,2,1]))
outputs = outputs / (K.get_shape().as_list()[-1] ** 0.5)
你可能注意到了，這樣做其實是得到了一個注意力的矩陣，每一行都是一個query和所有key的相似性，對self-attention來說，其效果如下：
不過我們還沒有進行softmax歸一化操作，因為我們還需要進行一些處理。
Forth-Step-增加mask
剛剛得到的注意力矩陣，我們還需要做一下處理，主要有：
- query和key有些部分是填充的，這些需要用mask屏蔽，一個簡單的方法就是賦予一個很小很小的值或者直接變?yōu)?值。
- 對于decoder的來說，我們是不能看到未來的信息的，所以對于decoder的輸入，我們只能計算它和它之前輸入的信息的相似度。
我們首先對key中填充的部分進行屏蔽，我們之前介紹了，在進行embedding時，填充的部分的embedding 直接設(shè)置為全0，所以我們直接根據(jù)這個來進行屏蔽，即對embedding的向量所有維度相加得到一個標(biāo)量，如果標(biāo)量是0，那就代表是填充的部分，否則不是：
這部分的代碼如下：
key_masks = tf.sign(tf.abs(tf.reduce_sum(keys,axis=-1)))
key_masks = tf.tile(tf.expand_dims(key_masks,1),[1,tf.shape(queries)[1],1])
paddings = tf.ones_like(outputs) * (-2 ** 32 + 1)
outputs = tf.where(tf.equal(key_masks,0),paddings,outputs)
經(jīng)過這一步處理，效果如下，我們下圖中用深灰色代表屏蔽掉的部分：
接下來的操作只針對Decoder的self-attention來說，我們首先得到一個下三角矩陣，這個矩陣主對角線以及下方的部分是1，其余部分是0，然后根據(jù)1或者0來選擇使用output還是很小的數(shù)進行填充：
diag_vals = tf.ones_like(outputs[0,:,:])
tril = tf.contrib.linalg.LinearOperatorTriL(diag_vals).to_dense()
masks = tf.tile(tf.expand_dims(tril,0),[tf.shape(outputs)[0],1,1])
paddings = tf.ones_like(masks) * (-2 ** 32 + 1)
outputs = tf.where(tf.equal(masks,0),paddings,outputs)
得到的效果如下圖所示：
接下來，我們對query的部分進行屏蔽，與屏蔽key的思路大致相同，不過我們這里不是用很小的值替換了，而是直接把填充的部分變?yōu)?:
query_masks = tf.sign(tf.abs(tf.reduce_sum(queries,axis=-1)))
query_masks = tf.tile(tf.expand_dims(query_masks,-1),[1,1,tf.shape(keys)[1]])
outputs *= query_masks
經(jīng)過這一步，Encoder和Decoder得到的最終的相似度矩陣如下，上邊是Encoder的結(jié)果，下邊是Decoder的結(jié)果：
接下來，我們就可以進行softmax操作了：
outputs = tf.nn.softmax(outputs)
Fifth-Step-得到最終結(jié)果
得到了Attention的相似度矩陣，我們就可以和Value進行相乘，得到經(jīng)過attention加權(quán)的結(jié)果：
這一部分是一個簡單的矩陣相乘運算,代碼如下：
outputs = tf.matmul(outputs,V)
不過這并不是最終的結(jié)果，這里文中還加入了殘差網(wǎng)絡(luò)的結(jié)構(gòu)，即將最終的結(jié)果和queries的輸入進行相加：
outputs += queries
所以一個完整的Scaled Dot-Product Attention的代碼如下：
def scaled_dotproduct_attention(queries,keys,num_units=None,
num_heads = 0,
dropout_rate = 0,
is_training = True,
causality = False,
scope = "mulithead_attention",
reuse = None):
with tf.variable_scope(scope,reuse=reuse):
if num_units is None:
num_units = queries.get_shape().as_list[-1]
# Linear projection
Q = tf.layers.dense(queries,num_units,activation=tf.nn.relu) #
K = tf.layers.dense(keys,num_units,activation=tf.nn.relu) #
V = tf.layers.dense(keys,num_units,activation=tf.nn.relu) #
outputs = tf.matmul(Q,tf.transpose(K,[0,2,1]))
outputs = outputs / (K.get_shape().as_list()[-1] ** 0.5)
# 這里是對填充的部分進行一個mask，這些位置的attention score變?yōu)闃O小，我們的embedding操作中是有一個padding操作的，
# 填充的部分其embedding都是0，加起來也是0，我們就會填充一個很小的數(shù)。
key_masks = tf.sign(tf.abs(tf.reduce_sum(keys,axis=-1)))
key_masks = tf.tile(tf.expand_dims(key_masks,1),[1,tf.shape(queries)[1],1])
paddings = tf.ones_like(outputs) * (-2 ** 32 + 1)
outputs = tf.where(tf.equal(key_masks,0),paddings,outputs)
# 這里其實就是進行一個mask操作，不給模型看到未來的信息。
if causality:
diag_vals = tf.ones_like(outputs[0,:,:])
tril = tf.contrib.linalg.LinearOperatorTriL(diag_vals).to_dense()
masks = tf.tile(tf.expand_dims(tril,0),[tf.shape(outputs)[0],1,1])
paddings = tf.ones_like(masks) * (-2 ** 32 + 1)
outputs = tf.where(tf.equal(masks,0),paddings,outputs)
outputs = tf.nn.softmax(outputs)
# Query Mask
query_masks = tf.sign(tf.abs(tf.reduce_sum(queries,axis=-1)))
query_masks = tf.tile(tf.expand_dims(query_masks,-1),[1,1,tf.shape(keys)[1]])
outputs *= query_masks
# Dropout
outputs = tf.layers.dropout(outputs,rate = dropout_rate,training = tf.convert_to_tensor(is_training))
# Weighted sum
outputs = tf.matmul(outputs,V)
# Residual connection
outputs += queries
# Normalize
outputs = normalize(outputs)
return outputs
3.3 Multi-Head Attention
Multi-Head Attention就是把Scaled Dot-Product Attention的過程做H次，然后把輸出合起來。論文中，它的結(jié)構(gòu)圖如下：
這部分的示意圖如下所示，我們重復(fù)做3次相似的操作，得到每一個的結(jié)果矩陣，隨后將結(jié)果矩陣進行拼接，再經(jīng)過一次的線性操作，得到最終的結(jié)果：
Scaled Dot-Product Attention可以看作是只有一個Head的Multi-Head Attention，這部分的代碼跟Scaled Dot-Product Attention大同小異，我們直接貼出：
def multihead_attention(queries,keys,num_units=None,
num_heads = 0,
dropout_rate = 0,
is_training = True,
causality = False,
scope = "mulithead_attention",
reuse = None):
with tf.variable_scope(scope,reuse=reuse):
if num_units is None:
num_units = queries.get_shape().as_list[-1]
# Linear projection
Q = tf.layers.dense(queries,num_units,activation=tf.nn.relu) #
K = tf.layers.dense(keys,num_units,activation=tf.nn.relu) #
V = tf.layers.dense(keys,num_units,activation=tf.nn.relu) #
# Split and Concat
Q_ = tf.concat(tf.split(Q,num_heads,axis=2),axis=0) #
K_ = tf.concat(tf.split(K,num_heads,axis=2),axis=0)
V_ = tf.concat(tf.split(V,num_heads,axis=2),axis=0)
outputs = tf.matmul(Q_,tf.transpose(K_,[0,2,1]))
outputs = outputs / (K_.get_shape().as_list()[-1] ** 0.5)
# 這里是對填充的部分進行一個mask，這些位置的attention score變?yōu)闃O小，我們的embedding操作中是有一個padding操作的，
# 填充的部分其embedding都是0，加起來也是0，我們就會填充一個很小的數(shù)。
key_masks = tf.sign(tf.abs(tf.reduce_sum(keys,axis=-1)))
key_masks = tf.tile(key_masks,[num_heads,1])
key_masks = tf.tile(tf.expand_dims(key_masks,1),[1,tf.shape(queries)[1],1])
paddings = tf.ones_like(outputs) * (-2 ** 32 + 1)
outputs = tf.where(tf.equal(key_masks,0),paddings,outputs)
# 這里其實就是進行一個mask操作，不給模型看到未來的信息。
if causality:
diag_vals = tf.ones_like(outputs[0,:,:])
tril = tf.contrib.linalg.LinearOperatorTriL(diag_vals).to_dense()
masks = tf.tile(tf.expand_dims(tril,0),[tf.shape(outputs)[0],1,1])
paddings = tf.ones_like(masks) * (-2 ** 32 + 1)
outputs = tf.where(tf.equal(masks,0),paddings,outputs)
outputs = tf.nn.softmax(outputs)
# Query Mask
query_masks = tf.sign(tf.abs(tf.reduce_sum(queries,axis=-1)))
query_masks = tf.tile(query_masks,[num_heads,1])
query_masks = tf.tile(tf.expand_dims(query_masks,-1),[1,1,tf.shape(keys)[1]])
outputs *= query_masks
# Dropout
outputs = tf.layers.dropout(outputs,rate = dropout_rate,training = tf.convert_to_tensor(is_training))
# Weighted sum
outputs = tf.matmul(outputs,V_)
# restore shape
outputs = tf.concat(tf.split(outputs,num_heads,axis=0),axis=2)
# Residual connection
outputs += queries
# Normalize
outputs = normalize(outputs)
return outputs
4、Position-wise Feed-forward Networks
在進行了Attention操作之后，encoder和decoder中的每一層都包含了一個全連接前向網(wǎng)絡(luò)，對每個position的向量分別進行相同的操作，包括兩個線性變換和一個ReLU激活輸出：
代碼如下：
def feedforward(inputs,
num_units=[2048, 512],
scope="multihead_attention",
reuse=None):
with tf.variable_scope(scope, reuse=reuse):
# Inner layer
params = {"inputs": inputs, "filters": num_units[0], "kernel_size": 1,
"activation": tf.nn.relu, "use_bias": True}
outputs = tf.layers.conv1d(**params)
# Readout layer
params = {"inputs": outputs, "filters": num_units[1], "kernel_size": 1,
"activation": None, "use_bias": True}
outputs = tf.layers.conv1d(**params)
# Residual connection
outputs += inputs
# Normalize
outputs = normalize(outputs)
return outputs
5、Encoder的結(jié)構(gòu)
Encoder有N(默認(rèn)是6)層，每層包括兩個sub-layers:
1 )第一個sub-layer是multi-head self-attention mechanism，用來計算輸入的self-attention;
2 )第二個sub-layer是簡單的全連接網(wǎng)絡(luò)。
每一個sub-layer都模擬了殘差網(wǎng)絡(luò)的結(jié)構(gòu)，其網(wǎng)絡(luò)示意圖如下：
根據(jù)我們剛才定義的函數(shù)，其完整的代碼如下：
with tf.variable_scope("encoder"):
# Embedding
self.enc = embedding(self.x,
vocab_size=len(de2idx),
num_units = hp.hidden_units,
zero_pad=True, # 讓padding一直是0
scale=True,
scope="enc_embed")
## Positional Encoding
if hp.sinusoid:
self.enc += positional_encoding(self.x,
num_units = hp.hidden_units,
zero_pad = False,
scale = False,
scope='enc_pe')
else:
self.enc += embedding(tf.tile(tf.expand_dims(tf.range(tf.shape(self.x)[1]),0),[tf.shape(self.x)[0],1]),
vocab_size = hp.maxlen,
num_units = hp.hidden_units,
zero_pad = False,
scale = False,
scope = "enc_pe")
##Drop out
self.enc = tf.layers.dropout(self.enc,rate = hp.dropout_rate,
training = tf.convert_to_tensor(is_training))
## Blocks
for i in range(hp.num_blocks):
with tf.variable_scope("num_blocks_{}".format(i)):
### MultiHead Attention
self.enc = multihead_attention(queries = self.enc,
keys = self.enc,
num_units = hp.hidden_units,
num_heads = hp.num_heads,
dropout_rate = hp.dropout_rate,
is_training = is_training,
causality = False
)
self.enc = feedforward(self.enc,num_units = [4 * hp.hidden_units,hp.hidden_units])
6、Decoder的結(jié)構(gòu)
Decoder有N(默認(rèn)是6)層，每層包括三個sub-layers:
1 )第一個是Masked multi-head self-attention，也是計算輸入的self-attention，但是因為是生成過程，因此在時刻 i 的時候，大于 i 的時刻都沒有結(jié)果，只有小于 i 的時刻有結(jié)果，因此需要做Mask.
2 )第二個sub-layer是對encoder的輸入進行attention計算，這里仍然是multi-head的attention結(jié)構(gòu)，只不過輸入的分別是decoder的輸入和encoder的輸出。
3 )第三個sub-layer是全連接網(wǎng)絡(luò)，與Encoder相同。
其網(wǎng)絡(luò)示意圖如下：
其代碼如下：
with tf.variable_scope("decoder"):
# Embedding
self.dec = embedding(self.decoder_inputs,
vocab_size=len(en2idx),
num_units = hp.hidden_units,
scale=True,
scope="dec_embed")
## Positional Encoding
if hp.sinusoid:
self.dec += positional_encoding(self.decoder_inputs,
vocab_size = hp.maxlen,
num_units = hp.hidden_units,
zero_pad = False,
scale = False,
scope = "dec_pe")
else:
self.dec += embedding(
tf.tile(tf.expand_dims(tf.range(tf.shape(self.decoder_inputs)[1]), 0), [tf.shape(self.decoder_inputs)[0], 1]),
vocab_size=hp.maxlen,
num_units=hp.hidden_units,
zero_pad=False,
scale=False,
scope="dec_pe")
# Dropout
self.dec = tf.layers.dropout(self.dec,
rate = hp.dropout_rate,
training = tf.convert_to_tensor(is_training))
## Blocks
for i in range(hp.num_blocks):
with tf.variable_scope("num_blocks_{}".format(i)):
## Multihead Attention ( self-attention)
self.dec = multihead_attention(queries=self.dec,
keys=self.dec,
num_units=hp.hidden_units,
num_heads=hp.num_heads,
dropout_rate=hp.dropout_rate,
is_training=is_training,
causality=True,
scope="self_attention")
## Multihead Attention ( vanilla attention)
self.dec = multihead_attention(queries=self.dec,
keys=self.enc,
num_units=hp.hidden_units,
num_heads=hp.num_heads,
dropout_rate=hp.dropout_rate,
is_training=is_training,
causality=False,
scope="vanilla_attention")
## Feed Forward
self.dec = feedforward(self.dec, num_units=[4 * hp.hidden_units, hp.hidden_units])
7、模型輸出
decoder的輸出會經(jīng)過一層全聯(lián)接網(wǎng)絡(luò)和softmax得到最終的結(jié)果，示意圖如下：
這樣，一個完整的Transformer Architecture我們就介紹完了，對于文中寫的不清楚或者不到位的地方，歡迎各位留言指正！
參考文獻(xiàn)
1、原文：https://arxiv.org/abs/1706.03762
2、https://mp.weixin.qq.com/s/RLxWevVWHXgX-UcoxDS70w
3、https://github.com/princewen/tensorflow_practice/tree/master/basic/Basic-Transformer-Demo
