Transformer
attention is all you need
摘要
完全舍弃循环 recurrence 和卷积 convolutions
只依赖于attention mechanisms
【1】Introduction
完全通过注意力机制，draw global dependencies between input and output
【2】Background
1：self-attention（自注意力）
2：end-to-end memory networks（端到端记忆网络）
【3】Model Architecture
框架图
对编码器和解码器，均使用堆叠的自注意力机制 和逐点全连接层 
encoder-decoder
编码器：将输入序列 x 映射为连续表示的序列 z
-
输入序列 x ：
-
映射序列 z ：
解码器：给定映射序列 z，生成输出序列 y
-
输出序列 y ：
-
在生成下一个符号时，将之前生成的符号作为额外输入
【3.1】Encoder and Decoder Stacks
Encoder
6个编码层堆叠，每个编码层有2个子层
1个编码层 = 1个多头注意力机制 + 1个逐点全连接前馈网络
每个子层有1次残差连接，并归一化
所有子层和嵌入层的输出维度 d_model = 512
Decoder
6个解码层堆叠，每个解码层有3个子层
1个编码层 = 1个带掩码的多头注意力机制 + 1个多头注意力机制 + 1个逐点全连接前馈网络
每个子层有1次残差连接，并归一化
带掩码 ==> 屏蔽作用，防止位置关注到后续位置
【3.2】Attention
Scaled Dot-Product Attention（缩放点积注意力）
注意力计算公式：
-
Q：查询向量
-
K：键向量
-
V：值向量
最常用的注意力函数
1：additive attention（加法），通过1个隐藏层的前馈网络，计算兼容性函数
2：dot-product attention（点积），存在缩放因子 
当 d_k 值较大时，点积结果会大幅增加，使 softmax 函数趋向极端梯度分布
Multi-Head Attention（多头注意力）
多头 ==> 在不同位置、不同表示子空间中，联合关注信息
多头的计算公式：
投影矩阵为参数矩阵：
头的数量 h = 8
每个头的维度减少，总计算成本与全维度的单头注意力相似
Applications of Attention in our Model
1：在编码器-解码器注意力层中，Q 来自前一个解码器层 ，K和V 来自编码器的输出
2：编码器包含自注意力层。编码器中每个位置，可关注编码器中前一层的所有位置
3：解码器中的自注意力层。解码器中每个位置，可关注解码器中到当前位置的所有位置 （Masked）
【3.3】Position-wise Feed-Forward Networks（逐点前馈网络）
FFN的计算公式：
2个线性变换，中间使用ReLU激活
-
第1个线性变换：x·W1 + b1
-
中间的激活函数：max(0, x·W1 + b1)
-
第2个线性变换：max(0, x·W1 + b1) W2 + b2
另一种描述方法：两个卷积操作，卷积核大小为1
维度结果：
-
输入和输出的维度：d_model = 512
-
中间层的维度：d_ff = 2048
【3.4】Embeddings and Softmax
在2个嵌入层和 Softmax 之前的线性变换之间，共享相同的权重矩阵
在嵌入层中，权重乘以
【3.5】Positional Encoding（位置编码）
位置编码的维度为：d_model，可以和嵌入层相加
位置编码可学习 或 固定
使用不同频率的正弦和余弦函数：
-
pos：位置
-
i：维度
-
位置编码的每个维度，对应一个正弦波
-
波长范围：2π ~ 10000*2π
正弦波的原因 ==> 使模型能推广到比训练中遇到的序列长度更长的情况
【4】Why Self-Attention
自注意力的3个动机：
-
每层的总计算复杂度
-
并行计算量，用所需的最少顺序操作数衡量
-
网络中长距离依赖的路径长度
依赖的影响因素：信号在网络中前后传播所需路径的长度。输入和输出序列中任意位置之间的路径越短，学习长距离依赖越容易。
计算复杂度：
-
当序列长度 n 小于表示维度 d 时，自注意力层比循环层更快
-
自注意力层，以固定数量的顺序，执行操作连接所有位置
-
循环层，以O(n)顺序
【5】Training
【5.1】Training Data and Batching
句对按近似序列长度分组
每个训练批包含一组句对，其中包含约 25000 个源词组和 25000 个目标词组
【5.2】Hardware and Schedule
8卡P100
base model：100, 000 step
big model：300, 000 step
【5.3】Optimizer
优化器：Adam
β1 = 0.9
β2 = 0.98
ϵ = 1e-9
学习率变化公式：
-
热身：线性增加（4000 step）
-
后期：平方反比例降低
【5.4】Regularization
训练阶段使用的正则：
1：residual dropout（P_drop = 0.1）
2：label smoothing（ϵ_ls = 0.1）