porn一区_国产精品久久久久永久免费观看_久久com_亚洲美女视频一区二区三区_日日天天_在线精品亚洲欧美日韩国产

來源：SimpleAI

非常推薦木神在B站開的系列公開課，特別是最近的《論文閱讀》系列，真的非常棒。之前我們可能看過很多經(jīng)典的論文，但再次聽李牧老師的講座，能收獲很多新的知識，尤其是李牧老師結(jié)合自己豐富的經(jīng)驗給出的很多精彩點評。

我也去聽了課，第一節(jié)課我選擇聽了經(jīng)典的NLP論文《Attention Is All You Need》。在聽課的同時，我整理了以下筆記，方便自己以后參考，也分享給大家。

李牧教授看論文的順序一般是：題目+作者>摘要>引言>結(jié)論>相關(guān)工作>模型設(shè)計>實驗，最后是總體綜述。我也按照這個順序記錄。

標題 + 作者

李牧點評：8位作者共同作出貢獻，這在計算機論文中并不多見。但為了解釋為什么有這么多共同第一作者，論文在腳注中明確說明了每個人對這項工作的貢獻，確實每個人都配得上“共同貢獻”的稱號。

概括

后臺是機器翻譯和encoder-decoder框架，中間一般會用到Attention機制。

本文提出了一種新的簡單網(wǎng)絡(luò)架構(gòu)——Transformer，完全基于注意力機制。

李牧點評：這個名字不錯，和“變形金剛”寓意一樣

貢獻：該網(wǎng)絡(luò)結(jié)構(gòu)簡單，不同于以往的網(wǎng)絡(luò)結(jié)構(gòu)，沒有使用RNN或者CNN單元，并行性更好，訓練速度更快，在機器翻譯中取得了更好的效果。

李牧點評：Transformer 最早是在機器翻譯的背景下提出的，機器翻譯是一個很小的領(lǐng)域，所以一開始可能并沒有受到廣泛的關(guān)注。后來 Transformer 開始在其他各個領(lǐng)域展現(xiàn)出它的神奇力量，最近它在視覺領(lǐng)域也有不錯的表現(xiàn)，這才真正讓它火了起來。

綜上所述

本文提出的Transformer是第一個純基于attention的序列轉(zhuǎn)錄模型貝語網(wǎng)校，采用多頭自注意力機制（multi-head self-attention）替代之前的RNN結(jié)構(gòu)。

在機器翻譯中，它比RNN和CNN速度更快，并取得了新的SOTA。

作者對這種純注意力模型能取得如此好的效果感到非常興奮。因此，作者期待 Transformer 能在其他領(lǐng)域（CV、音頻等）大放異彩。

李牧點評：作者在2017年就一定程度上預測了未來，如今Transformer不僅橫掃各類NLP任務(wù)，在CV上也取得了驚人的成績。

最后，代碼在tensor2tensor庫中開源。

李牧的評論：其實最好把代碼放在摘要的最后一句，這樣讀者就能先看到代碼。

介紹

介紹了傳統(tǒng)的RNN、CNN以及encoder-decoder架構(gòu)，分析了RNN的缺點：1.難以并行化 2.容易遺忘。然后介紹了attention機制。最后提出了一種新的架構(gòu)Transformer。

李牧評論：這個簡介很短，主要是內(nèi)容比較多，而NIPS的簡介更短。

背景（相關(guān)工作）

為了提高序列數(shù)據(jù)的計算效率，很多工作都以卷積神經(jīng)網(wǎng)絡(luò)作為基本構(gòu)建塊來構(gòu)建模型，從而實現(xiàn)并行計算。然而，CNN是通過滑動窗口來提取特征的，因此很難捕捉到長距離的關(guān)系。不過CNN還有另一個優(yōu)勢——多通道機制，可以讓模型從多個角度提取數(shù)據(jù)特征。

因此Transformer借鑒了多通道的思想，設(shè)計了多頭注意力機制。

另外，本工作中沒有提出自我注意力，但在之前的許多工作中已經(jīng)成功應(yīng)用。

模型

更好的序列模型是編碼器-解碼器架構(gòu)。

關(guān)鍵點：

編碼器對輸入序列進行處理得到一個中間表示，然后解碼器讀取這個中間表示并進行處理得到輸出序列；

輸入序列和輸出序列不一定是相同的長度；

解碼器以自回歸的方式輸出，即每一步讀取上一步的輸出。

Transformer 依然是一個編碼器-解碼器架構(gòu)，但其主要組成部分是自注意力機制和逐點全連接層。其結(jié)構(gòu)如下：

李牧點評：這幅圖畫得非常好，在神經(jīng)網(wǎng)絡(luò)時代，畫圖是一項重要的技能，不過這幅圖屬于那種“強大而不知其所以然”的，看上去很好看，但理解起來卻不容易。

編碼器

李牧點評：簡單來說，Encoder只有兩個超參數(shù)：N和d。這個設(shè)計直接影響了后續(xù)各種基于Transformer的模型的設(shè)計，比如BERT、GPT等，主要都是對這兩個參數(shù)進行調(diào)整。

【插曲】牧神小課堂-什么是Layer Norm：

我們更多使用Layer Norm是在序列化數(shù)據(jù)上，因為序列的長度會變化，如果使用batch norm，均值方差可能會波動很大，從而影響效果，而layer norm是針對一個樣本進行的，不會受到影響。

解碼器逐個查看每個子層：縮放點積注意力機制

我們在 Transformer 中使用的注意力機制是 Scaled Dot-product Attention。Q、K、V 的維度如下圖所示：

這里的注意力機制，其實就是相比經(jīng)典的Dot-product Attention多了一個尺度項。這里的目的是什么呢？當d比較小時，縮放不縮放都無所謂，但是當d比較大的時候，內(nèi)積值的范圍就會變得很大，不同內(nèi)積之間的差距也會拉大。這種情況下如果再通過softmax進一步拉大差距，得到的注意力分布就會非常接近one-hot，這會導致梯度下降變得困難，模型很難訓練。在Transformer中，d=512是比較大的，所以需要進行縮放。

下圖清楚地展示了縮放點積注意力機制的工作原理：

多頭注意力機制

原始的SDP Attention可學習的參數(shù)很少，作者發(fā)現(xiàn)可以先通過一個線性層將原始向量投影到多個低維空間中，然后并行進行SDP Attention操作并concatenate起來，可以達到更好的效果。這和CNN中的多通道機制類似，先將一個向量投影成多個較低維向量，相當于分成了多個視角，然后對每個視角都進行attention。這樣模型的學習能力和潛力就會大大提升。另外由于這里的降維是參數(shù)化的，模型可以根據(jù)數(shù)據(jù)學習到最有用的視角。

點式前饋網(wǎng)絡(luò)

這里的名字只是花哨，其實就是一個簡單的MLP。唯一要注意的是這個MLP的修飾詞——Point-wise，意思是它對每個位置（單詞）分別獨立地進行處理。我在之前的文章《》中畫了一張圖：

逐點前饋圖

即MLP只作用于最后一個維度，具體公式為：

穆申后來還畫了一張圖來總結(jié)：

此圖左邊是Transformer的示意圖，右邊是RNN的示意圖（將RNN單元簡化成了MLP，本質(zhì)是類似的）。

嵌入和 softmax 層

Transformer 使用了三個 embedding：分別對輸入和輸出的 token 進行 embedding，并且使用和 softmax 之前的線性變換中的 embedding 相同的權(quán)重（這是為了能夠通過相同的 embedding 將解碼器輸出轉(zhuǎn)換回 token 概率，因為 embedding 的作用就是在 token 和向量之間進行轉(zhuǎn)換）。三個 embedding 使用相同的權(quán)重。

另外值得注意的是，作者對 embedding 進行了乘法運算，這是為了在后面與 position embedding 相乘時保持尺度相似。

位置編碼

由于self-attention不考慮序列的順序，只是簡單的聚合了各個位置的信息，所以無論順序怎么變，對于self-attention來說都是不變的。所以這里專門設(shè)計了position encoding來增加位置信息。

具體來說，文章采用不同周期的sin和cos函數(shù)來計算各個位置的embedding：

其中pos為具體位置的index，i為具體維度。簡單來說，這里為每個位置構(gòu)建了一個長尾向量，用來表示具體token的位置。

最后將位置編碼直接添加到embedding中并輸入到模型中。

為什么要使用 Self-Attention？

李牧評論：整篇文章其實缺少對模型的解釋。

作者主要通過下表來比較self-attention與其他結(jié)構(gòu)的區(qū)別（限制性self-attention被忽略，很少使用）：

上圖中，順序操作衡量了處理序列時的并行復雜度，復雜度越小，并行度越高；最大路徑長度表示序列中任意兩點之間信息傳遞的最大距離。

Self-attention 的主要優(yōu)勢在于并行度高（相比于 RNN）和信息距離短（相比于 RNN 和 CNN），在復雜度方面，其實并沒有明顯的優(yōu)勢：

在NLP中，n和d往往比較大，因此這三者的計算復雜度沒有質(zhì)的差別。

李牧點評：從計算效率上看，Transformer 似乎應(yīng)該比 CNN、RNN 更快，但是我們現(xiàn)在遇到的 Transformer 模型卻不是這樣。為什么呢？其實是因為 self-attention 對整個模型做的假設(shè)比較少，所以我們往往需要更大的數(shù)量、更大的模型才能訓練出和 CNN、RNN 一樣的效果。這就使得目前基于 Transformer 的模型非常龐大，成本也非常高。

這里就涉及到歸納偏差的概念，文章中我們知道合理的歸納偏差可以加快模型的訓練速度position是什么意思？怎么讀，而self-attention由于歸納偏差比CNN、RNN要小，所以訓練起來比較困難，不過我猜，對于大規(guī)模的預訓練來說，歸納偏差越小越好吧？

訓練細節(jié)和超參數(shù)

對于英德翻譯，我們采用BPE分詞方法構(gòu)建了英德通用詞典，使用了8塊P100 GPU，每個batch耗時約0.4秒，總訓練時間為12小時，其實時間成本還是比較實惠的。

學習率采用warmup，先增大，再減小。

使用兩種類型的正則化：

殘差dropout，在每個子層的輸出上都使用dropout，在embedding層上也使用dropout，dropout rate = 0.1

標簽平滑使用 0.1 的平滑級別position是什么意思？怎么讀，這會對困惑度造成一些影響，但會提高準確率和 BLEU 分數(shù)

下表是不同模型結(jié)構(gòu)（超參數(shù)）的性能差異：

其實可以修改的參數(shù)并不多，主要是層數(shù)（N），向量維度（），頭數(shù)（h），圖像是根據(jù)和h來計算的。

Mushen 評論寫作

這篇文章很簡潔，沒有過多的介紹和解釋，這是大佬的寫作風格。不過對于我們大多數(shù)研究者來說，還是需要盡可能清晰的交代背景，在正文中花足夠的篇幅把故事講清楚，讓讀者能更好的理解，有更深的領(lǐng)悟。

變壓器

這個模型最大的意義在于為 NLP 以及 CV、音頻等其他模態(tài)提供了統(tǒng)一的模型架構(gòu)，有點類似于 CNN 剛提出時給 CV 領(lǐng)域帶來的巨大變革。加上 Transformer，以及基于 Transformer 的各種預訓練模型和其他模態(tài)的成功應(yīng)用，Transformer 對于多模態(tài)學習的推進意義深遠。

然后，盡管Transformer已經(jīng)提出很多年了，但是我們對于它的真正原理仍然缺乏了解。比如文章標題“Attention is all you need”其實就是錯誤的。后續(xù)研究者證明Transformer的成功也離不開MLP、殘差連接等其他組件。attention的作用是聚合序列的信息，而不僅僅是attention本身。

另外，self-attention 相較于 RNN、CNN 等的優(yōu)勢可能在于它的歸納偏置更具有泛化性，因此經(jīng)過大規(guī)模訓練后，可以學習到更豐富、更具有泛化性的知識。但代價是其對數(shù)據(jù)關(guān)鍵信息的捕捉能力下降，需要更多的數(shù)據(jù)和更大的模型來訓練才能達到理想的效果。

然而 Transformer 的出現(xiàn)給整個 AI 社區(qū)帶來了新的活力，讓我們發(fā)現(xiàn)在 CNN、RNN 主導的時代，依然可以設(shè)計出新的網(wǎng)絡(luò)結(jié)構(gòu)來大放異彩。這也催生了一系列新的網(wǎng)絡(luò)架構(gòu)設(shè)計，比如純 MLP 模型等等。

以上就是課代表帶來的課堂筆記啦！筆記雖然簡單，但畢竟是二手知識，最推薦的還是直接看視頻，嘗嘗牧神的原汁原味。下一期，我們繼續(xù)聽牧神講解大名鼎鼎的BERT，到時候見~

投稿文章或者交流學習，備注：昵稱-學校（公司）-方向，進入DL&NLP交流群。

方向很多：機器學習、深度學習、python、情緒分析、觀點挖掘、句法分析、機器翻譯、人機對話、知識圖譜、語音識別等等。

記得做個記錄

整理不易，還望給個在看！