从seq2seq到attention再到Transformer

seq2seq

首先我们介绍下seq2seq，它首次应用在机器翻译的seq2seq，也就是enoder-decoder架构。论文见《Sequence to Sequence Learning with Neural Networks》

我们以RNN举例说明，seq2seq是将输入单词的embedding输入逐步输入encoder中，每个时刻encoder的输出取决于当前时刻的输入和上一时刻的隐状态(即上一时刻的输出)，最后的隐状态作为decoder的输入，decoder之后的输出也是取决与上一时刻的隐状态和上一时刻的输出单词的embedding，最终输出的单词是decoder输出的隐状态全联接softmax之后得到最大概率的那个单词，这样最后一步步输出单词序列。这样做的缺点是当输入序列较长的时候，只靠encoder的最后状态很难捕捉前后依赖关系，因此引入注意力机制即attention。

注意力机制(attention)

注意力机制最早出现在CV领域，表示人看一物体其实对不同部分的注意力不一样，对关键吸引人的地方注意力会多些。论文见《Neural Machine Translation by Jointly Learning to Align and Translate》
attention的具体应用如下：对于seq2seq，为了解决上述缺点，每一时刻预测输出单词的时候不止依赖decoder的隐状态，还依赖encoder的输入历史信息，这里我们定义context vector表示它，context vector为输入encoder每个时刻隐状态的线性加权平均得到。

假设输入序列长度为$T$，则$j$时刻的context vector计算$\hat{c_j}=\sum_{i=0}^{T}\alpha_{ij}\hat h_j$其中系数$\alpha_{ij}$为第j个输出对i时刻encoder隐状态的注意力(意思就是对当前时刻输出的重要性)， 并且$\sum_{i=0}^T{\alpha_{ij}} = 1$。其中第j个输出i时刻输入的注意力$\alpha_{ij}$的计算公式为$\alpha_{ij}=\frac{exp(e_{ij})}{\sum_{k=0}^Texp(e_{ik})}$
其中$e_{ij}=score(\hat h_i, \hat s_j)$(score可以是点乘dot), $\hat s_j$为decoder第$j$个输出的隐状态，$\hat h_i$为$i$时刻encoder输入的隐状态. 计算完后的context vector涵盖之前所有encoder的输入信息，和上一时刻的输出单词embeding进行concat作为新的decoder输入，这里注意初始context vector为全0向量。所以说这样相比不带attention的seq2seq能对输入序列的前后依赖关系更好的建模。

Transformer

可以发现seq2seq的enoder-decoder架构加入attention机制后，对长序列输入的前后依赖关系能更好的建模。然而它也存在缺点，因为enoder-decoder架构均采用RNN建模，RNN的天然本质注定很难并行（当前时刻输入依赖上一时刻的输出），并且存在梯度爆炸弥漫等问题(LSTM, GRU等改进只能减少不能完全避免)，CNN是通过叠加感受野的方式(需要非常深的网络才能捕捉较长的依赖)，而attention有着无视距离的优势并且可以并行的优势，因此提出了抛弃RNN而纯依赖attention对输入序列的前后依赖进行建模的transformer，论文见《Attention is all you need》

注意力的重新定义

回顾seq2seq中的attention，是对encoder的历史隐状态做线性加权平均，系数越高的隐状态则表示当前时刻的输出和其越相关。这个系数是从当前时刻decoder的隐状态和encoder的隐状态交互计算（比如dot product）后取softmax得到的，其实我们可以看成为以下机制

如图，给定query进行kv对查询，分别计算query和不同key的相似度，经过softmax后得到注意力系数，后对value加权平均得到attention value.即如下公式
$Attention(Q, K, V) = softmax(\frac{QK^T}{\sqrt{d_k}})V$
论文用的就是这种scaled dot product的attention机制，图片表示如下：

这里Q为$n\times d_k$的矩阵，K为$m\times d_k$的矩阵，V为$m\times d_k$的矩阵，因此，一个attention层可以看作把$n\times d_k$的输入序列编码成了$n\times d_v$的序列
注意，这里scale by $\frac{1}{\sqrt{d_k}}$是为了平滑softmax(当$d_k$过大导致dot product过大的值，softmax的梯度过小)

特别的，对于self-attention就是K，Q， V均相等的情况，自己对自己计算相互的依赖关系。

模型架构

Encoder

编码器为相同N=6个layer进行stack得到，每层有两个子层，分别为multi-head的self-attention和fully connect layer，这里采用了ResNet的思想建立了一个short-cut, LayerNorm(x + Sublayer(x))。
Encoder的输入，最底层为sequence的embedding，之后每层的输入为上一层的输出。

Decoder

解码器同样为N=6个相同的layer进行stack得到。和encoder不同的是，这里有两个multi-head attention。最底下的masked multi-head self-attention是为了保证输出只能看到当前时刻之前的输出结果。上一层的multi-head attention也叫encoder-decoder attention，它并不是self-attention，是用底层的multi-head self-attention attention的输出作为Q，encoder的输入作为K和V，这样每次decoder的输出都携带了各个位置的输入信息，类似于传统的seq2seq的attetnion机制。
Decoder当前时刻的输入为encoder的输出和Decoder所看到的所有词的embedding，初始时刻假设看到的词一般为特殊字符，比如<\s>，图中即shifedt right

multi-head attention

论文里的multi-head计算如下
这里head的个数为h=8. 每个head和刚才的注意力计算公式意义，第$i$个头用$W_i^Q$,$W_i^K$$W_i^V$进行映射，最后映射到纬度为$d_v$，这样不同的head的Q，K，V就被映射到不同的子空间进行学习. $W^O$将最后纬度还原成$d_{model}$

position encoding

transformer并没有用到CNN或者RNN类似的结构，输入的embedding无法体现词的位置信息，因此对于输入的embedding，需要增加含位置信息的position encoding

position encoding公式如上图所示，pos就是位置，i是embedding向量的所在位置，由公式可以知道奇数位置采用cos，偶数位置采用sin；最终得到的position encoding向量与初始的embedding相加最为最终的输入。

对于为什么要用这个函数，论文里是这样说的

We chose this function because we hypothesized it would allow the model to easily learn to attend by relative positions, since for any fixed offset $k$, $PE_{pos+k}$ can be represented as a linear function of $PE_{pos}$

作者更多的是凭经验得到的，因为他想让模型更好的学会相对位置关系，在这个公式中，对于embedding向量的某个固定位置$k$的数值$PE_{pos+k}$，都可以用初始位置$PE_{pos}$线性表示。这点在数学利用三角函数的性质是可以证明的。

why self-attention

1. 每层网络的时间复杂度
2. 并行计算量
3. 捕捉长距离依赖关系的能力(maximum path length)
   
   大多数情况d>>n，因此self-attention的时间复杂度最低

总结

优点 ：计算量减少，可并行计算增加，远程依赖关系之间的路径长度小(通过矩阵dot poduct即可建立依赖关系)

缺点：有些rnn可以解决的问题transformer做的不好，比如copy string，或者inference时碰到的sequence长度比training更长的处理很差；图灵不完备