這是之前學習paddle時候的筆記，對Transformer框架進行了拆解，附圖解和代碼，希望對大家有幫助?

寫在前面

最近在學習paddle相關內容，質量比較高的參考資料好像就paddle官方文檔^[1]。所以如果大家想學習一下的話，可以先簡單過一遍文檔，如果你之前有tensorflow或者torch的基礎，看起來應該會比較快，都差不多的嘛。然后細節的部分就可以去實戰看（寫）代碼了。下面是一個用paddle實現的目前NLP領域最火的Transformer模型，包括模型詳細的拆解可視化以及對應每一步的代碼實現，enjoy！

• Encoder Part

• • Residuals & Layer Norm

  • Feed Forward

  • Self-Attention

  • 完整Encoder代碼

• Decoder Part

• • Masked Multi-Head Attention

  • Encoder-Decoder Attention

  • 整體Decoder代碼

• Full Transformer

一、Encoder Part

下圖是一個encoder block，可以看到主要由以下四部分組成：

• Self-Attention

• Feed Forward

• Residual Connection

• Layer Norm

下面我們由簡單至復雜來搭建每一部分并給出對應代碼。

1、Residuals & Layer Norm

也就是上圖中淺綠色框框中的內容。

• 「殘差層」：大多數關于transformer的文章對于Residual的介紹都比較簡單，但是實際上殘差層在整個網絡中的作用非常重要，它可以有效解決網絡模型層數增大而引起的信息損失問題，來自kaiming大神的Deep residual learning for image recognition^[2]；

• 「歸一化」：神經網絡中關于歸一化的做法有很多，這里使用的是層歸一化，更詳細的資料推薦張俊林老師的深度學習中的Normalization模型^[3]

def pre_post_process_layer(prev_out, out, process_cmd, dropout_rate=0.):"""根據process_cmd的值來設置不同的操作"""for cmd in process_cmd:if cmd == "a": # 添加residual connectionout = out + prev_out if prev_out else outelif cmd == "n": # 添加layer normalizationout = layers.layer_norm(out, begin_norm_axis=len(out.shape)-1,param_attr=fluid.initializer.Constant(1.),bias_attr=fluid.initializer.Constant(0.))elif cmd == "d": # 添加dropoutif dropout_rate:out = layers.dropout(out,dropout_prob=dropout_rate,seed=dropout_seed,is_test=False)return out

2、Feed Forward

前饋層，上圖中藍色框框，包括兩個線性變換，使用的激活函數為「relu」

注意，self-attention是對所有輸入統一處理的，而前饋層是position-wise的。參數在同一層是共享的，但是在層與層之間是獨立的。輸入和輸出的維度 ，內層的維度

def positionwise_feed_forward(x, d_inner_hid, d_hid, dropout_rate):hidden = layers.fc(input=x,size=d_inner_hid,num_flatten_dims=2,act="relu")if dropout_rate:hidden = layers.dropout(hidden, dropout_prob=dropout_rate, seed=dropout_seed, is_test=False)out = layers.fc(input=hidden, size=d_hid, num_flatten_dims=2)return out

3、Self-Attention

Transformer中最重要的組成部分。在所有的attention中最關鍵就是要理解三個概念：、、。很多同學可能都對這三個詞非常熟悉，但是對其具體對應的實體非常模糊，這里我們以檢索為例介紹一下其原理，看看能不能理解。（已經了解的自行跳過haha）

比如你現在想要了解一下「自然語言處理」的相關信息，你就會去搜索框里輸入自然語言處理，這時候你輸入的就是 ；接著搜索庫里會有很多文檔，想要返回你的搜索結果，一個簡單的思路就是看看你的搜索內容和文檔title的相似度，這時候每個文檔title就是 ，將 和每個 做點乘計算相似度，我們會得到一系列數值 ，然后用這一組值對文檔，也就是我們的 進行加權召回，按得分降序返回。

所以本質上我們可以將Attention簡單理解為「加權和」。更為具體的注意力介紹可以參考我之前的博客：理解Attention機制原理及模型^[4]

3.1 Scaled Dot Product Attention

下面來看看具體在文本中是怎么運算的。

每一個輸入經過Embedding層后轉化成詞向量 ；

所有token都會經過三個可學習矩陣分別映射為三個向量 、、，

對每一個單詞，將其作為 ，所有單詞作為 ，計算相似度得分；

將相似度得分進行規一化后與對應的 相乘，得出加權和，即為該單詞的注意力得分。

公式為：

其可視化過程如下圖，

轉換成矩陣形式可以簡化表示為，

def __compute_qkv(queries, keys, values, n_head, d_key, d_value):"""上述第二步，將輸入通過三個可學習的矩陣映射為query、value和key"""q = layers.fc(input=queries,size=d_key*n_head,bias_attr=False,num_flatten_dims=2)fc_layer = wrap_layer_with_block(layers.fc, fluid.default_main_program().current_block().parent_idx) if cache is not None and static_kv else layers.fck = fc_layer(input=keys,size=d_key*n_head,bias_attr=False,num_flatten_dims=2)v = fc_layer(input=values,size=d_value*n_head,bias_attr=False,num_flatten_dims=2)return q, k, v def scaled_dot_product_attention(q, k, v, attn_bias, d_key, dropout_rate):"""上述第三、四步，計算attention得分"""product = layers.matmul(x=q, y=k, transpose_y=True, alpha=d_key**-0.5)if attn_bias:product += attn_biasweights = layers.softmax(product)if dropout_rate:weights = layers.dropout(weights,dropout_prob=dropout_rate,seed=dropout_seed,is_test=False)out = layers.matmul(weights, v)return out

注意scaled_dot_product_attention函數中有一個attn_bias的操作，作用是mask掉指定的位置。在整個transformer的結構中，使用的地方有三處：

• Encoder的self-attention，作用是mask掉padding的位置；

• Decoder的encoder-self-attention，作用是mask掉padding的位置；

• Decoder的masked-self-attention，作用是解碼過程mask掉當前詞之后的詞信息

3.2 Multi-Head Attention

multi-head的出發點是為了讓模型在多個不同的子空間中學習到不同方面的信息，幫助模型捕獲更豐富的特征。

操作也非常容易理解，

首先將輸入映射為 、、，

接著拆分成 個注意力頭，并行地運算上一節中的Scaled Dot Product Attention，

最后將結果進行拼接。

整體計算公式為：

可視化如下圖所示：

3.2.1 拆分

在輸入張量的最后一個維度上進行reshape以拆分出多頭，然后轉置方便后續運算。具體而言，將輸入形狀為[bs，max_sequence_length，n_head * hidden_dim]轉換為[bs，n_head，max_sequence_length，hidden_dim]

def __split_heads_qkv(queries, keys, values, n_head, d_key, d_value):# reshape：這里shape參數里的0表示從輸入張量對應維數直接復制出來# inplace=True，不進行數據的復制，運算更為高效reshaped_q = layers.reshape(x=queries, shape=[0, 0, n_head, d_key], inplace=True)# 轉置：perm參數表示將第一個和第二個維度交換q = layers.transpose(x=reshaped_q, perm=[0, 2, 1, 3])reshape_layer = wrap_layer_with_block(layers.reshape,fluid.default_main_program().current_block().parent_idx)if cache is not None and static_kv else layers.reshapetranspose_layer = wrap_layer_with_block(layers.transpose,fluid.default_main_program().current_block().parent_idx) if cache is not None and static_kv else layers.transposereshaped_k = reshape_layer(x=keys, shape=[0, 0, n_head, d_key], inplace=True)k = transpose_layer(x=reshaped_k, perm=[0, 2, 1, 3])reshaped_v = reshape_layer(x=values, shape=[0, 0, n_head, d_value], inplace=True)v = transpose_layer(x=reshaped_v, perm=[0, 2, 1, 3])# 設計的優化，包括推斷過程的緩存和處理流程if cache is not None: cache_, i = cacheif static_kv: cache_k, cache_v = cache_["static_k"], cache_["static_v"]static_cache_init = wrap_layer_with_block(layers.assign,fluid.default_main_program().current_block().parent_idx)static_cache_init(k,fluid.default_main_program().global_block().var("static_k_%d" % i))static_cache_init(v,fluid.default_main_program().global_block().var("static_v_%d" % i))k, v = cache_k, cache_velse: cache_k, cache_v = cache_["k"], cache_["v"]k = layers.concat([cache_k, k], axis=2)v = layers.concat([cache_v, v], axis=2)cache_["k"], cache_["v"] = (k, v)return q, k, v

3.2.2 ?合并

可以認為是上一節拆分的逆操作，先是transpose，再是reshape。具體而言，將輸入形狀為[bs，n_head，max_sequence_length，hidden_dim]轉換為[bs，max_sequence_length，n_head * hidden_dim]

def __combine_heads(x):# 首先驗證輸入形狀if len(x.shape) != 4:raise ValueError("Input(x) should be a 4-D Tensor.")trans_x = layers.transpose(x, perm=[0, 2, 1, 3])return layers.reshape(x=trans_x,shape=[0, 0, trans_x.shape[2] * trans_x.shape[3]],inplace=True)

3.2.3 整體

有了前面幾節的函數操作之后，就可以構建整體multi-head attention了

def multi_head_attention(queries,keys,values,attn_bias,d_key,d_value,d_model, n_head=1,dropout_rate=0.,cache=None,static_kv=False):keys = queries if keys is None else keysvalues = keys if values is None else values## 檢查輸入形狀if not (len(queries.shape) == len(keys.shape) == len(values.shape) == 3):raise ValueError("Inputs: quries, keys and values should all be 3-D tensors.")q, k, v = __compute_qkv(queries, keys, values, n_head, d_key, d_value)q, k, v = __split_heads_qkv(q, k, v, n_head, d_key, d_value)ctx_multiheads = scaled_dot_product_attention(q, k, v, attn_bias, d_model,dropout_rate)out = __combine_heads(ctx_multiheads)proj_out = layers.fc(input=out,size=d_model,bias_attr=False,num_flatten_dims=2)return proj_out

4、完整Encoder代碼

有了上面的鋪墊之后，我們就可以寫出encoder的代碼框架了。具體代碼篇幅原因就不再粘貼，可以根據開篇所述方式獲取。

二、Decoder Part

ok，我們先停下來回顧一下前面都解決了哪些內容：

• Encoder包含的幾個部分：self-attention、feed-forward、add&norm

• 詳細介紹了Scaled Dot Product Attention原理及代碼實現

• 詳細介紹了Multi-Head Attention原理及代碼實現

接下去來看看transformer的右半部分：Decoder。如下圖所示，是一個decoder block，主要由五部分組成：

• Encoder-Decoder Attention

• （Masked）Self-Attention

• Feed Forward

• Residual Connection

• Layer Norm

1、Masked Multi-Head Attention

關于這個，我們在前面3.1節其實有過說明，當解碼第 個特征向量時，我們只能看到其之前的解碼結果，這樣做的目的也很直觀，防止信息泄露，因為我們總不能偷看答案吧哈哈。

那么具體怎么做呢？其實也不難：構造一個mask矩陣，上三角全為0，表示無法attend未來的信息，如下，

2、Encoder-Decoder Attention

其實Deocer的五個組件我們在Encoder Part里面已經完成了四個部分，只剩下一個Encoder-Decoder Attention是沒有涉及的。其實這個跟encoder_layer的差不多，只不過是它的 和 來自encoder的輸出，而 則來自decoder的上一個輸出。

可視化動圖就更清楚了，

3、整體Decoder代碼

不啰嗦了，跟encoder很類似，看代碼也很直觀。

三、Full Transformer

終于快寫完了....

最后我們就像搭積木一樣，把前面的部分組建成一個完整的transformer網絡，如下圖

def transformer(model_input,src_vocab_size,trg_vocab_size,max_length,n_layer,n_head,d_key,d_value,d_model,d_inner_hid,prepostprocess_dropout,attention_dropout,relu_dropout,preprocess_cmd,postprocess_cmd,weight_sharing,label_smooth_eps,bos_idx=0,is_test=False):if weight_sharing:assert src_vocab_size == trg_vocab_size, ("Vocabularies in source and target should be same for weight sharing.")enc_inputs = (model_input.src_word, model_input.src_pos,model_input.src_slf_attn_bias)dec_inputs = (model_input.trg_word, model_input.trg_pos,model_input.trg_slf_attn_bias, model_input.trg_src_attn_bias)label = model_input.lbl_wordweights = model_input.lbl_weightenc_output = wrap_encoder(enc_inputs,src_vocab_size,max_length,n_layer,n_head,d_key,d_value,d_model,d_inner_hid,prepostprocess_dropout,attention_dropout,relu_dropout,preprocess_cmd,postprocess_cmd,weight_sharing,bos_idx=bos_idx)predict = wrap_decoder(dec_inputs,trg_vocab_size,max_length,n_layer,n_head,d_key,d_value,d_model,d_inner_hid,prepostprocess_dropout,attention_dropout,relu_dropout,preprocess_cmd,postprocess_cmd,weight_sharing,enc_output=enc_output)# Padding index do not contribute to the total loss. The weights is used to# cancel padding index in calculating the loss.if label_smooth_eps:# TODO: use fluid.input.one_hot after softmax_with_cross_entropy removing# the enforcement that the last dimension of label must be 1.label = layers.label_smooth(label=layers.one_hot(input=label, depth=trg_vocab_size),epsilon=label_smooth_eps)cost = layers.softmax_with_cross_entropy(logits=predict,label=label,soft_label=True if label_smooth_eps else False)weighted_cost = layers.elementwise_mul(x=cost, y=weights, axis=0)sum_cost = layers.reduce_sum(weighted_cost)token_num = layers.reduce_sum(weights)token_num.stop_gradient = Trueavg_cost = sum_cost / token_numreturn sum_cost, avg_cost, predict, token_num

積木搭好了，我們怎么調用呢？下面就可以寫一個create_net函數，接受輸入為is_training（是否訓練階段），model_input（模型輸入），args（一些詞表、維度、長度等模型參數）

def create_net(is_training, model_input, args):if is_training:sum_cost, avg_cost, _, token_num = transformer(model_input, args.src_vocab_size, args.trg_vocab_size,args.max_length + 1, args.n_layer, args.n_head, args.d_key,args.d_value, args.d_model, args.d_inner_hid,args.prepostprocess_dropout, args.attention_dropout,args.relu_dropout, args.preprocess_cmd, args.postprocess_cmd,args.weight_sharing, args.label_smooth_eps, args.bos_idx)return sum_cost, avg_cost, token_numelse:out_ids, out_scores = fast_decode(model_input, args.src_vocab_size, args.trg_vocab_size,args.max_length + 1, args.n_layer, args.n_head, args.d_key,args.d_value, args.d_model, args.d_inner_hid,args.prepostprocess_dropout, args.attention_dropout,args.relu_dropout, args.preprocess_cmd, args.postprocess_cmd,args.weight_sharing, args.beam_size, args.max_out_len, args.bos_idx,args.eos_idx)return out_ids, out_scores

本文參考資料

[1]

paddle官方文檔: https://www.paddlepaddle.org.cn/

[2]

Deep residual learning for image recognition: https://arxiv.org/abs/1512.03385

[3]

深度學習中的Normalization模型: https://zhuanlan.zhihu.com/p/43200897

[4]

理解Attention機制原理及模型: https://blog.csdn.net/Kaiyuan_sjtu/article/details/81806123

-?END?-

往期精彩回顧適合初學者入門人工智能的路線及資料下載機器學習及深度學習筆記等資料打印機器學習在線手冊深度學習筆記專輯《統計學習方法》的代碼復現專輯 AI基礎下載機器學習的數學基礎專輯 獲取本站知識星球優惠券，復制鏈接直接打開： https://t.zsxq.com/qFiUFMV 本站qq群704220115。加入微信群請掃碼：

總結

以上是生活随笔為你收集整理的【NLP】Transformer温故知新的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。