论文阅读笔记AI篇 ------ Transformer模型理论+实战 （三）
- 第三遍阅读（精读）
-
- [3.1 Attention和Self-Attention的区别？](#3.1 Attention和Self-Attention的区别？)
- [3.2 Transformer是如何进行堆叠的？](#3.2 Transformer是如何进行堆叠的？)
- [3.3 如何理解Positional Encoding？](#3.3 如何理解Positional Encoding？)
- [3.x 文章涉及的其它知识盲区](#3.x 文章涉及的其它知识盲区)
第三遍阅读（精读）
精读的过程要把每个细节都钻研透，不留有死角。各种维度参数已经在"理论+实战（二）"中说清楚了，若之后还有疑问我再补上。
| 三、参考文章或视频链接 |
|---|
| 1 【超强动画，一步一步深入浅出解释Transformer原理！】 |
3.1 Attention和Self-Attention的区别？
3.2 Transformer是如何进行堆叠的？
原文提到了Encoder与Decoder是可以进行 N × N\times N× 堆叠的，那么堆叠之后的结构是什么？可以看到这就是堆叠之后的结构，这里的features是中间编码，6层decoder，每一层都需要拿features作为输入的一部分，这种设计思想也类似于ResNet。
图1 ------ 来自参考文章1
再看到原始的Transformer结构图中，对Outputs提到了一个(shifted right)，这是什么意思？参考文章4中的动图诠释了这一点，shifted right是说不停的拿最新的预测词作为Outputs的输入
图2 ------ 来自参考文章4
3.3 如何理解Positional Encoding？
"需要使用Positional Encoding的原因也很简单，因为 Transformer 摈弃了 RNN 的结构，因此需要一个东西来标记各个字之间的时序，换言之，也即位置关系，而这个东西，就是位置嵌入"[2]，文章2又说，理想情况下，位置嵌入的设计应该满足以下条件：
- 它应该为每个字输出唯一的编码
- 不同长度的句子之间，任何两个字之间的差值应该保持一致
- 它的值应该是有界的
先来看到文章中的Positional Encoding公式：
P E ( p o s , 2 i ) = s i n ( p o s 1000 0 2 i d m o d e l ) PE(pos, 2i)=sin(\frac{pos}{10000^\frac{2i}{d_{model}}}) PE(pos,2i)=sin(10000dmodel2ipos)
P E ( p o s , 2 i + 1 ) = c o s ( p o s 1000 0 2 i d m o d e l ) PE(pos, 2i+1)=cos(\frac{pos}{10000^\frac{2i}{d_{model}}}) PE(pos,2i+1)=cos(10000dmodel2ipos)
- d m o d e l = 512 d_{model}=512 dmodel=512是作者规定好的，代表编码长度。应该也可以修改的更长以提升性能？我不清楚，这里取何值较为合适呢？肯定有一个最优值。
- i i i 是指维度的下标，结合式子 2 i d m o d e l \frac{2i}{d_{model}} dmodel2i中的分母 d m o d e l d_{model} dmodel理解，应该有 i ∈ 0 , d m o d e l − 1 2 i \in 0, \\frac{d_{model}-1}{2} i∈0,2dmodel−1，这是因为Word Embedding的维度大小是 d m o d e l d_{model} dmodel，所以为了Positional Embedding能与Word Embedding相加，肯定要能够一一对应。
p o s pos pos 为某句话中，这个Word所处的位置。
But using binary values would be a waste of space in the world of floats. 看英文原文有这么一句，
Positional Embedding 与 Word Embedding可以分开做concat拼接，但concat不一定有优势，初看这个东西我一定觉得作者在装神弄鬼，看完我理解了Positional Embedding的作用。
但是对于Word Embedding与Positional Embedding二者相加后，这个位置信息是如何体现出来的，则不甚明了，因为这就像两种颜色的墨水进行混合，Word Embedding是黑墨水，Positional Embedding是红墨水，两种数据直接相加就像把两种颜色的墨水混合到一起，那么要如何在相加之后的混合结果中体现Positional信息，则是我感到疑惑的。
Why do we mix two different concepts into the same multi-dimensional space? How can a model distinguish between word embeddings and positional encodings? [3] 两件毫不相干的事情怎么能相加到一个空间中，model要如何区分他们呢？
The model can learn to use the positional information without confusing the embedding (semantic) information. It's hard to imagine what's happening inside the network, yet it works. model可以在不混淆word embedding的情况下学到位置信息，你很难想象网络中究竟发生了，什么然而它就是工作了。然而，这是个什么解释？ 所谓ai的黑箱模型，恐怕说的就是这一点，神经网络的拟合能力太过强大了，以至于我们都不知道内部究竟发生了什么。
| 3.6 参考文章或视频链接 |
|---|
| 1 Positional Encoding |
| 重点阅读：2 中文版：《Transformer 中的 Positional Encoding》 英文版：Transformer Architecture: The Positional Encoding |
| 3 Transformer's Positional Encoding |
3.x 文章涉及的其它知识盲区
| 问题 | 总结 | 参考文章 |
|---|---|---|
| 什么是BLEU(Bilingual Evaluation Understudy，双语评估替换分数)？ | 一种机器翻译任务的评价指标 | 1 《BLEU详解》- 知乎 |