[1706.03762] Attention Is All You Need

核心创新点：Transformer 架构和 Self-Attention 自注意力机制

Transformer 之前，主流序列转导模型通常具有以下特征：

  1. 主体结构多基于 RNN，CNN 作为替代路线
  2. 通常采用 encoder-decoder 架构
  3. 使用注意力机制增强

Transformer 结构的创新：

  1. 用 Self-Attention 取代 RNN/CNN 作为序列建模核心
  2. 引入 Multi-Head Attention，让模型从多个子空间看关系
  3. 用 Positional Encoding 补足序列位置信息

Transformer是首个完全基于自注意力、不使用RNN或CNN的序列建模模型

Encoder-Decoder 架构

早期 seq2seq 的核心思想：encoder 先压缩，decoder 再生成

  • 编码器负责“读懂输入序列”，把它压缩成一个向量
  • 解码器负责“根据这个向量逐步生成输出序列

编码器解码器结构解决了输入输出不等长的问题

早期 encoder 通常是一个 RNN / LSTM / GRU，编码器按顺序读入 token

每读一个 token，更新一次隐藏状态

$$ h_t = f(h_{t-1}, x_t) $$
最后，encoder 会得到一个整体表示，通常记作$c = h_n$ (context vector)，也可以理解成“源句子的压缩表示”

解码器 decoder 在第 $t$ 步根据：

  1. encoder 给出的上下文向量 $c$
  2. 上一步生成的 token $y_{t-1}$
  3. decoder 自己的隐藏状态 $s_{t-1}$

预测当前 token $P(y_t \mid y_{<t}, c)$

早期模型最大的问题是：不管输入句子多长，都要压缩进一个固定长度向量 $c$

这会导致：

  • 长句信息容易丢失；
  • 远距离依赖难以保存；
  • decoder 生成后半句时，可能已经“忘了”输入前面的内容；
  • 所有源句信息都挤在一个固定向量里，形成 bottleneck

Attention 机制

加入 attention 之后

1
2
3
4
5
6
7
source sequence -> Encoder -> h1, h2, ..., hn
                                  |
                              Attention
                                  |
                              Decoder
                                  |
                           target sequence

decoder 不再只看一个固定向量 $c$，而是在生成每个词时动态查看 encoder 的所有隐藏状态

解决的问题：

  • 解决模型处理长序列时的“遗忘”问题

  • 解决不同时间步输入对当前时刻输出的“重要性”问题

    decoder 每生成一个词，都计算当前解码状态和所有 encoder 隐藏状态的相关性，然后加权汇总

    $$ c_t = \sum_{i=1}^{n} \alpha_{t,i} h_i $$

位置编码

因为没有 RNN 的时间递推，也没有 CNN 的局部窗口顺序结构，Self-Attention 本身不知道 token 的顺序

在 encoder 和 decoder 底部给输入 embedding 加入 positional encodings，用来注入 token 的位置信息

$$ X_{pos} = E_{pos} + PE_{pos} $$
原始 Transformer 用的正弦/余弦位置编码
$$ PE_{(pos,2i)}=\sin \left(\frac{pos}{10000^{2i/d_{\text{model}}}}\right)\\ PE_{(pos,2i+1)}= \cos\left(\frac{pos}{10000^{2i/d_{\text{model}}}}\right) $$
假设模型维度是 $d_{\text{model}} = 4$，那么一个位置 $pos$ 的位置编码大概长这样
$$ PE_{pos}=[\sin(\omega_1 pos),\cos(\omega_1 pos),\sin(\omega_2 pos),\cos(\omega_2 pos)] $$
不同维度使用不同频率，
  • 低维度：变化快，区分近距离位置
  • 高维度：变化慢，表达长距离趋势

为什么不用简单的 1, 2, 3, 4？

Bert有这么做过，直接用整数位置有几个问题：

  1. 标量位置太粗糙，难以和高维词向量融合
  2. 数值大小会随序列长度变大，尺度不稳定
  3. 不容易表达相对位置关系，比如“前一个词”“后两个词”

正弦/余弦编码的好处是：每个位置被表示成一个稳定的高维模式，而且不同频率可以覆盖不同尺度的位置关系

论文中给出的一个重要动机是：对于固定偏移 $k$，$PE_{pos+k}$ 可以表示为 $PE_{pos}$ 的线性函数，因此模型可能更容易学习相对位置关系

多头注意力机制

多头注意力 Multi-Head Attention 的核心思想是：把同一批 token 映射到多个不同的表示子空间中，并行做多次 attention，然后把结果拼接起来

Transformer 使用的基础注意力是 Scaled Dot-Product Attention

$Q,K,V$ 都来自同一个输入序列，让输入序列内部的 token 互相建模关系

$$ \mathrm{Attention}(Q,K,V)=\mathrm{softmax}\left(\frac{QK^\top}{\sqrt{d_k}}\right)V $$
$$ \mathrm{Softmax}(z_i)=\frac{e^{z_i}}{\sum_{j=1}^{k} e^{z_j}} $$
  • QK^T：计算每个 token 对其他 token 的关注程度
  • softmax：把关注分数归一化成权重
  • 乘 V：根据权重加权汇聚信息

经过这个Attention以后的向量信息会融合其它token的信息

如果只有一个 attention head，那么模型只有一套 $Q,K,V$ 投影，那么token只能用一种方式去理解自己

但是语言中token的关系从来不是一维的，单头使得被迫将不同层面的关系压缩进一组权重，注意力权重变成一个折中的分布，一个注意力分布无法承载多种独立的关系模式，表达能力被严重限制

多头注意力的设计就是：允许模型在多个子空间中并行学习不同的相关性模式

多头注意力不是直接对原始 $Q,K,V$ 做很多次一样的 attention，而是先用不同的线性变换得到不同 head 的 $Q_i,K_i,V_i$

1
2
3
4
5
6
7
8
9
10
11
q_proj = nn.Linear(d_model, d_model)
k_proj = nn.Linear(d_model, d_model)
v_proj = nn.Linear(d_model, d_model)

Q = q_proj(x)  # [B, L, 512]
K = k_proj(x)  # [B, L, 512]
V = v_proj(x)  # [B, L, 512]
# 分头
Q = Q.view(B, L, num_heads, d_head).transpose(1, 2)
K = K.view(B, L, num_heads, d_head).transpose(1, 2)
V = V.view(B, L, num_heads, d_head).transpose(1, 2)

第 $i$ 个 head 是

$$ \mathrm{head}_i=\mathrm{Attention}\left(QW_i^Q,KW_i^K,VW_i^V\right) $$
然后把所有 head 的输出拼接起来
$$ \mathrm{MultiHead}(Q,K,V)=\mathrm{Concat}(head_1,\dots,head_h)W^O $$
再经过一个线性变换，融合多头信息
$$ \mathrm{FFN}(x)=W_2\,\sigma(W_1x+b_1)+b_2 $$
> 相当于八个低清晰度的表情包你给拼一块了说它是高清的，那肯定不行，还得再处理一下

这种模式使得每个头只需要捕获一种或少量关系模式

这里也会有一个问题，拆成多个头降低了维度，可能会损失表达能力，但损失的远小于收益

拆分成多头在同等计算量上获取到的信息大于单头，并且低维子空间相当于隐含的正则化，保证每种学习关系独立，也防止了每个头在高维空间过拟合，多头保证了多种关系可以并行捕捉

head数量需要根据实际情况决定，head 太少，表达能力可能不足；head 太多，每个 head 的维度会变小，单个 head 的表示能力下降，而且计算和工程开销增加

通常 $h$ 是一个超参数，需要和 $d_{\text{model}}$ 配合

Mask

mask 不是加在 $Q$、$K$、$V$ 上，而是加在 attention logits 上

$$ \mathrm{MaskedAttention}(Q,K,V)= \mathrm{softmax}\left(\frac{QK^\top}{\sqrt{d_k}} + M\right)V $$
其中 $M$ 是 mask 矩阵
$$ M_{ij}= \begin{cases} 0, & j \le i \\ -\infty, & j > i \end{cases} $$
这样可以获得每个 token 根据注意力权重，从它能看到的 token 的 value 向量中汇聚出来的新表示

加Mask是为了避免关注到后面的信息，只注意自己和之前的信息

张量形状

每个 token 原始 hidden state 的维度是

$$ X \in \mathbb{R}^{B \times L \times d_{\text{model}}} $$
通过线性层得到 
1
2
3
Q: [B, L, d_model]
K: [B, L, d_model]
V: [B, L, d_model]

然后拆成 $h$ 个 head：

$$ d_{\text{head}} = \frac{d_{\text{model}}}{h} $$
如果 $d_{\text{model}}=512$，$h=8$，那么 
1
2
3
Q: [B, h, L, d_head] = [B, 8, L, 64]
K: [B, h, L, d_head] = [B, 8, L, 64]
V: [B, h, L, d_head] = [B, 8, L, 64]

每个 head 单独做 attention

1
head_i: [B, L, 64]

8 个 head 拼接后

1
Concat(heads): [B, L, 512]

最后再经过输出投影 $W^O$

分母 $\sqrt{d_k}$

注意力分数是：

$$ q \cdot k = \sum_{i=1}^{d_k} q_i k_i $$
假设$q_i, k_i$都是均值为 $0$、方差为 $1$ 的独立随机变量

那么单项乘积 $q_i k_i$ 的均值大约是 $0$，方差大约是 $1$

点积是 $d_k$ 个这样的项相加，所以方差大约是

$$ \mathrm{Var}(q \cdot k) \approx d_k $$
$d_k$ 越大，点积结果越容易变得很大或很小

为了把点积分数标准化到相对稳定的尺度，需要除以标准差

如果不除会导致

  1. attention 权重过早接近 one-hot，模型探索性变差
  2. softmax 进入饱和区，梯度很小，训练变慢或不稳定

本质上类似于初始化中的方差归一化思想

Post-LN和Pre-LN的区别

Post-LayerNorm是原文设计

1
2
3
4
5
6
7
8
9
x
 │
 ├── Sublayer(x)   (Attention 或 FFN)
 │
 ├── + residual (x)
 │
 └── LayerNorm
     │
     y

Attention block：

$$ x_1 = \mathrm{LayerNorm}(x+\mathrm{Attention}(x)) $$
FFN block：
$$ x_2 = \mathrm{LayerNorm}(x_1+\mathrm{FFN}(x_1)) $$
可以这么理解
$$ y = \mathrm{LN}(x+F(x))\quad z= x+F(x) $$
损失对输入的梯度：
$$ \frac{\partial L}{\partial x}=\frac{\partial L}{\partial y} \cdot \frac{\partial y}{\partial x} = \frac{\partial L}{\partial y} \cdot \frac{\partial \mathrm{LN}}{\partial z}(I +\frac{\partial F}{\partial x}) $$
问题在于LN在在残差连接之后，${\partial \mathrm{LN}}/{\partial z}$梯度值近似为$1/\sqrt d_k$，使得残差传播的恒等路径梯度不再是1，每层都要缩放一次

所以梯度随网络深度呈指数衰减，导致低层（靠近输入的层）梯度几乎消失，梯度消失会导致Adam等优化器的更新变得不稳定

Layer Norm

对每个 token 的 hidden dimension 做归一化

  • 不跨 batch 归一化
  • 不跨 sequence length 归一化
  • 只在每个 token 自己的特征维度上归一化
$$ \mu = \frac{1}{d}\sum_{i=1}^{d} x_i\qquad \sigma^2 = \frac{1}{d}\sum_{i=1}^{d}(x_i - \mu)^2 $$

归一化：

$$ \hat{x}_i = \frac{x_i - \mu}{\sqrt{\sigma^2 + \epsilon}} $$
不是像 Batch Norm 那样依赖 mini-batch 统计

Transformer 需要 Layer Norm是因为每一层都有复杂变换

如果不做归一化，层数加深后 hidden states 的尺度可能变得不稳定

Layer Norm 的作用是把每个 token 的 hidden state 拉回到相对稳定的尺度

Post-LayerNorm

Post-LN 是原始 Transformer 的写法；Pre-LN 是后来更常用的稳定训练写法

1
2
3
4
5
6
7
8
9
x
 │
 ├── Sublayer(x)   (Attention 或 FFN)
 │
 ├── + residual (x)
 │
 └── LayerNorm
     │
     y

Attention block：

$$ x_1 =\mathrm{LayerNorm}(x+\mathrm{Attention}(x)) $$
FFN block：
$$ x_2 = \mathrm{LayerNorm}(x_1+\mathrm{FFN}(x_1)) $$
| 优点 | 缺点 | | ------------------------ | ------------------------------------------------------------ | | 每一层输出都被及时归一化 | 训练初期更容易不稳定
深层模型难训练(论文原文中提及)
对超参数(学习率、初始化、warm-up)更敏感 |

Pre-LayerNorm

把 LayerNorm 移到子层前面

1
2
3
4
5
6
7
8
9
x
 │
 ├── LayerNorm
 │
 ├── Sublayer
 │
 ├── + residual
 │
 └── y

Attention block：

$$ x_1 =x+\mathrm{Attention}( \mathrm{LayerNorm}(x)) $$
FFN block：
$$ x_2 = x_1+\mathrm{FFN}(\mathrm{LayerNorm}(x_1)) $$
最关键的在于这样使得残差路径变成恒等映射
$$ y = x+F(\mathrm{LN}(x))\quad u = \mathrm{LN}(x) $$
损失对输入的梯度：
$$ \frac{\partial L}{\partial x}=\frac{\partial L}{\partial y} \cdot \frac{\partial y}{\partial x} = \frac{\partial L}{\partial y}(I+\frac{\partial F}{\partial u}\cdot \frac{\partial u}{\partial x}) $$
| 优点 | 缺点 | | ------------------------------------------------------------ | -------------------------- | | 深层模型更容易训练
对超参数(学习率、初始化、warm-up)更鲁棒
残差连接保留信息更直接，梯度传播更稳定 | 深层更新可能被残差主干稀释 |