【NLP】Day 20: 放點注意力在多頭上（NLP也有多頭啊！）：Transformer（下）

發表於

空頭不死，多頭不止；多頭不死，空頭不止
不詳

在股票市場中，人人著稱的一句話：「空頭不死，多頭不止；多頭不死，空頭不止。」意思是，如果股價在下降的趨勢時中，如果想一直有抄底，期望做反彈的人不斷進場的話，那麼市場就會不斷下跌。我想我在這裡可以再多加一句：

單頭一有，強到流油；注意多頭，更上層樓！
By me

只是差別是，一個在講的是股市走向及股民心理，另一個則是在講 Attention Is All You Need 論文的 Transformer 模型，以及在其中所運用的自注意力機制（Self-attention Mechanism）。昨天的文章中，我們已經簡單地了解何謂自注意力機制。在同一篇文章中，作者又針對這個自注意力機制再次進行了改良 完全不給其他人優化的機會喔，也就是將原本提出的單一自注意力機制，在模型中改良成多頭自注意力機制（Multi-head Self-attention Mechanism）。今天，就讓我們一起來看看 Multi-head Self-Attention Mechanism 跟原本的有什麼不一樣呢？接著，再把剩下的 Encoder 以及 Decoder 走完吧！

Multi-head Self-attention Mechanism

若你還記得的話，在昨天的文章，【NLP】Day 19: 注意！謝謝你的注意！Transformer （上）之中，曾經提到 Transformer 會將每一個字的向量（也就是Word-embedding）乘上一個權重 https://chart.googleapis.com/chart?cht=tx&chl=W 之後，會得到三個不同的向量，分別是 https://chart.googleapis.com/chart?cht=tx&chl=Q、https://chart.googleapis.com/chart?cht=tx&chl=K 以及 https://chart.googleapis.com/chart?cht=tx&chl=V ，也就是 queue vector、key vector，以及value vector。那 Multi-head Self-attention Mechanism 其實就是不同的字要乘上不同的權重 https://chart.googleapis.com/chart?cht=tx&chl=W ，也就是說，不同的字會有不同的https://chart.googleapis.com/chart?cht=tx&chl=Q、https://chart.googleapis.com/chart?cht=tx&chl=K 以及 https://chart.googleapis.com/chart?cht=tx&chl=V 。我們可以先看看下圖：

在這邊再強調一次，這邊的 https://chart.googleapis.com/chart?cht=tx&chl=Q、https://chart.googleapis.com/chart?cht=tx&chl=K 以及 https://chart.googleapis.com/chart?cht=tx&chl=V 三個向量，是 https://chart.googleapis.com/chart?cht=tx&chl=X 分別與 https://chart.googleapis.com/chart?cht=tx&chl=W_%7Bi%5EQ%7D 、 https://chart.googleapis.com/chart?cht=tx&chl=W_%7Bi%5Ek%7D
以及 https://chart.googleapis.com/chart?cht=tx&chl=W_%7Bi%5Ev%7D 內積所得的結果。有幾個維度，就有幾個 Head；同理，若訓練資料的 Word Embedding 總共有 8 個維度，那麼就會有 8 個不同的 Head。最後我們就會得到 8 個 https://chart.googleapis.com/chart?cht=tx&chl=Z 的矩陣。 但是問題在於，接下來要將資料餵入的模型事前饋神經網路（Feed-forward Neural Network），吃的是每個 字 一個 向量。這時候就是要再乘上 https://chart.googleapis.com/chart?cht=tx&chl=W_o 將這一大串的矩陣再轉回成一個字一個向量（因為在圖中是兩個字，所以會變成是兩個矩陣）。

那我們綜觀下來，self-attention 的機制就如下圖運作。

Multi-head Self-attention Mechanism 哪裡比較好？

  1. Multi-head 的機制更可以讓模型專注在一句話中的不同字上。雖然說在 Single-head 的機制底下，對其中一個字來說，一句話的其他字在這個字的編碼中會含有一點點的權重，但在某些情況下，還是有可能會特別側重在某個字上。但 Multi-head 就可以淡化這個問題。

  2. 若你還記得的話，Multi-head 的機制針對一句話中的不同字，各自會有不同的 https://chart.googleapis.com/chart?cht=tx&chl=W_%7Bi%5EQ%7D 、 https://chart.googleapis.com/chart?cht=tx&chl=W_%7Bi%5Ek%7D
    以及 https://chart.googleapis.com/chart?cht=tx&chl=W_%7Bi%5Ev%7D 權重，這麼一來也可以提供模型的語意空間更高的彈性。（這是我的理解，若有錯誤還請前輩不吝指正。）

位置編碼（Positional Encoding）

要知道字在文中的不同位置對於語意理解上也扮演著很重要的角色，所以我們必須在模型中加入位置的資訊，也就是所謂的位置編碼（Positional Encoding），這可以幫助模型理解一個字在資料中的位置，以及與其他字的距離。

實際上會長這樣：

殘差標準化（Residual & Normalization）

因為在運算資料的過程中會產生殘差，所以也要經過標準化。這層標準化層，在編碼器以及解碼器中都會加入。

解碼器（decoder）

在編碼器，我們將文本序列作為輸入資料，在最後一個編碼器會得到兩個 attention vector，分別是 https://chart.googleapis.com/chart?cht=tx&chl=K 以及 https://chart.googleapis.com/chart?cht=tx&chl=V 。 這兩個向量可以幫助在每個解碼器中的 encoder-decoder attention 了解輸入序列中這些字的資訊。

在接下來的解碼中，除了前面兩個 attention vector 的幫助，同樣也會在解碼器端加入前文的 word embedding 以及 positional encoding，同樣也是為了要幫助模型了解語意距離、位置資訊等等，以利模型進行解碼。

最終輸出層（Final Linear and Softmax Layer）

最後一哩路啦！在解碼器的尾端，我們最後得到的輸出是由浮點數所組成的向量，但我們需要文字輸出的話，該怎麼辦？所以最後就會需要線性層（Linear Layer）以及激勵函數層（Softmax Layer）來幫助模型將這些數值資料轉回文字。

線性層是一個完全連接的神經網路。簡單的說，線性層可以將解碼器的輸出向量轉化成另外一種可以「儲存字彙」的向量，文中稱為 Logits vector。假如說今天模型在訓練資料中學習了 10000 個字，那麼在這個叫 Logits vector 的向量中就會有 10000 個元素，這些元素分別又代表了不同分數（score），這些分數都可以對應回去每一個字。

Softmax 則會在這10000個元素中的每一個元素各分配一個概率，讓模型用這個概率決定該以哪個字作為最後的輸出。

問題與討論

  1. 解釋力偏低：由於 Transformer 算是深度學習模型的其中一種，所以通常解釋力都比較低。我們沒有辦法跟人解釋模型是如何運算得出某個特定的輸出結果。其實無論是 Transformer 還是前面介紹的 RNN，還有接下來要介紹的 BERT，都有一樣的問題。
  2. 難以控制自注意力機制的運作：因為自注意力的運算機制，導致模型有漏字的可能。舉例來說，我們透過Google翻譯 one one one one two two one one twenty two 可以得到 一一一二二一一二二 ，但我們都知道少了一個一。 Source
  3. 訓練時間長：我們用了好多attention head、好多的參數、好多的運算，那訓練一個模型的時間就會拉的特別長。一天兩天已算少，一週兩週剛剛好。

結語

好！既然我們已經了解了什麼是 Transformer，就代表我們已經做好萬全準備進入現在最強最常用的語言模型 BERT 啦！我們明天見！

參考資料：

  1. The Illustrated Transformer
  2. 謦伊的閱讀筆記