本文將通過(guò)細(xì)節(jié)剖析以及代碼相結(jié)合的方式，來(lái)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(lái)自文章：https://mp.weixin.qq.com/s/RLxWevVWHXgX-UcoxDS70w，寫(xiě)的非常好！

本文邊講細(xì)節(jié)邊配合代碼實(shí)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(huà)不多說(shuō)，我們進(jìn)入正題！我們從簡(jiǎn)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(shí)就是一個(gè)Seq2Seq結(jié)構(gòu)，簡(jiǎn)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(gè)encoder的輸出將和每一層的decoder進(jìn)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(gè)操作，分別是Self-Attention和Feed Forward；而Decoder的每一層有三個(gè)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(jī)制，這也是我們本文重點(diǎn)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(guò)處理之后，數(shù)據(jù)如下：

很簡(jiǎn)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(gè)機(jī)器翻譯的數(shù)據(jù)，x中的每一個(gè)id代表一個(gè)語(yǔ)言中的單詞id，y中的每一個(gè)id代表另一種語(yǔ)言中的單詞id。后面為0的部分是填充部分，代表這個(gè)句子的長(zhǎng)度沒(méi)有達(dá)到我們?cè)O(shè)置的最大長(zhǎng)度，進(jìn)行補(bǔ)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(duì)應(yīng)的embedding，由于我們后面要在計(jì)算attention時(shí)屏蔽掉填充的部分，所以這里我們對(duì)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(chēng)之為Position Embedding。因?yàn)樵诒疚牡哪Ｐ椭校呀?jīng)沒(méi)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(wú)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(duì)或者絕對(duì)position信息利用起來(lái)。位置信息的計(jì)算公式如下：

其中pos代表的是第幾個(gè)詞，i代表embedding中的第幾維。這部分的代碼如下，對(duì)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(duì)于輸入，我們調(diào)用上面兩個(gè)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(jiǎn)單回顧

Attention其實(shí)就是計(jì)算一種相關(guān)程度，看下面的例子：

Attention通常可以進(jìn)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(gè)key、每個(gè)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(gè)key計(jì)算出來(lái)的，計(jì)算方法分為三步：

1）計(jì)算比較Q和K的相似度，用f來(lái)表示：

2）將得到的相似度進(jìn)行softmax歸一化：

3）針對(duì)計(jì)算出來(lái)的權(quán)重，對(duì)所有的values進(jìn)行加權(quán)求和，得到Attention向量：

計(jì)算相似度的方法有以下4種：

在本文中，我們計(jì)算相似度的方式是第一種，本文提出的Attention機(jī)制稱(chēng)為Multi-Head Attention，不過(guò)在這之前，我們要先介紹它的簡(jiǎn)單版本 Scaled Dot-Product Attention。

計(jì)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(duì)query和key-value來(lái)說(shuō)的，對(duì)于self-attention來(lái)說(shuō)，計(jì)算得到query和key-value的過(guò)程都是使用的同樣的輸入，因?yàn)橐阕约焊约旱腶ttention嘛；而對(duì)encoder-decoder attention來(lái)說(shuō)，query的計(jì)算使用的是decoder的輸入，而key-value的計(jì)算使用的是encoder的輸出，因?yàn)槲覀円?jì)算decoder的輸入跟encoder里面每一個(gè)的相似度嘛。

因此本文下面對(duì)于attention的講解，都是基于self-attention來(lái)說(shuō)的，如果是encoder-decoder attention，只要改一下輸入即可，其余過(guò)程都是一樣的。

3.2 Scaled Dot-Product Attention

Scaled Dot-Product Attention的圖示如下：

接下來(lái)，我們對(duì)上述過(guò)程進(jìn)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(duì)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(guò)程我們上文中已經(jīng)介紹過(guò)了，這里不再贅述。

Second Step-得到Q，K，V

計(jì)算Attention首先要有Query，Key和Value，我們通過(guò)一個(gè)線(xiàn)性變換來(lái)得到三者。我們的輸入是position embedding，過(guò)程如下：

代碼也很簡(jiǎn)單，下面的代碼中，如果是self-attention的話(huà)，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(jì)算相似度

接下來(lái)就是計(jì)算相似度了，我們之前說(shuō)過(guò)了，本文中使用的是點(diǎn)乘的方式，所以將Q和K進(jìn)行點(diǎn)乘即可，過(guò)程如下：

文中對(duì)于相似度還除以了d_k的平方根，這里d_k是key的embedding長(zhǎng)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(shí)是得到了一個(gè)注意力的矩陣，每一行都是一個(gè)query和所有key的相似性，對(duì)self-attention來(lái)說(shuō)，其效果如下：

不過(guò)我們還沒(méi)有進(jìn)行softmax歸一化操作，因?yàn)槲覀冞€需要進(jìn)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：

1. query和key有些部分是填充的，這些需要用mask屏蔽，一個(gè)簡(jiǎn)單的方法就是賦予一個(gè)很小很小的值或者直接變?yōu)?值。
2. 對(duì)于decoder的來(lái)說(shuō)，我們是不能看到未來(lái)的信息的，所以對(duì)于decoder的輸入，我們只能計(jì)算它和它之前輸入的信息的相似度。

我們首先對(duì)key中填充的部分進(jìn)行屏蔽，我們之前介紹了，在進(jìn)行embedding時(shí)，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(gè)來(lái)進(jìn)行屏蔽，即對(duì)embedding的向量所有維度相加得到一個(gè)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(guò)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(lái)的操作只針對(duì)Decoder的self-attention來(lái)說(shuō)，我們首先得到一個(gè)下三角矩陣，這個(gè)矩陣主對(duì)角線(xiàn)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(lái)選擇使用output還是很小的數(shù)進(jìn)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(lái)，我們對(duì)query的部分進(jìn)行屏蔽，與屏蔽key的思路大致相同，不過(guò)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(guò)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(lái)，我們就可以進(jìn)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(jìn)行相乘，得到經(jīng)過(guò)attention加權(quán)的結(jié)果：

這一部分是一個(gè)簡(jiǎn)單的矩陣相乘運(yùn)算,代碼如下：

outputs = tf.matmul(outputs,V)

不過(guò)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(jìn)行相加：

outputs += queries

所以一個(gè)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(duì)填充的部分進(jìn)行一個(gè)mask，這些位置的attention score變?yōu)闃O小，我們的embedding操作中是有一個(gè)padding操作的，
        # 填充的部分其embedding都是0，加起來(lái)也是0，我們就會(huì)填充一個(gè)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(shí)就是進(jìn)行一個(gè)mask操作，不給模型看到未來(lái)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(guò)程做H次，然后把輸出合起來(lái)。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(gè)的結(jié)果矩陣，隨后將結(jié)果矩陣進(jìn)行拼接，再經(jīng)過(guò)一次的線(xiàn)性操作，得到最終的結(jié)果：

Scaled Dot-Product Attention可以看作是只有一個(gè)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(duì)填充的部分進(jìn)行一個(gè)mask，這些位置的attention score變?yōu)闃O小，我們的embedding操作中是有一個(gè)padding操作的，
        # 填充的部分其embedding都是0，加起來(lái)也是0，我們就會(huì)填充一個(gè)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(shí)就是進(jìn)行一個(gè)mask操作，不給模型看到未來(lái)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(jìn)行了Attention操作之后，encoder和decoder中的每一層都包含了一個(gè)全連接前向網(wǎng)絡(luò)，對(duì)每個(gè)position的向量分別進(jìn)行相同的操作，包括兩個(gè)線(xiàn)性變換和一個(gè)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(gè)sub-layers:
1 )第一個(gè)sub-layer是multi-head self-attention mechanism，用來(lái)計(jì)算輸入的self-attention;
2 )第二個(gè)sub-layer是簡(jiǎn)單的全連接網(wǎng)絡(luò)。
每一個(gè)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(gè)sub-layers:
1 )第一個(gè)是Masked multi-head self-attention，也是計(jì)算輸入的self-attention，但是因?yàn)槭巧蛇^(guò)程，因此在時(shí)刻 i 的時(shí)候，大于 i 的時(shí)刻都沒(méi)有結(jié)果，只有小于 i 的時(shí)刻有結(jié)果，因此需要做Mask.
2 )第二個(gè)sub-layer是對(duì)encoder的輸入進(jìn)行attention計(jì)算，這里仍然是multi-head的attention結(jié)構(gòu)，只不過(guò)輸入的分別是decoder的輸入和encoder的輸出。
3 )第三個(gè)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(huì)經(jīng)過(guò)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(gè)完整的Transformer Architecture我們就介紹完了，對(duì)于文中寫(xiě)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