一、前言
本文章作为学习2023年《李宏毅机器学习课程》的笔记，感谢台湾大学李宏毅教授的课程，respect！！！
读这篇文章必须先了解self-attention，可参阅我上一篇。
二、大纲
- Transformer问世
- 原理剖析
- 模型训练
三、Transformer问世
2017 年在文章《Attention Is All You Need》被提出的。应用于seq2seq模型，当时直接轰动。
四、原理剖析
两部分组成：Encoder 和 Decoder
- Encoder 结构
接下来从大到小一层层剥开：
剥一下：
输入一排向量，输出一排向量
剥两下：
Encoder 由多个Block组成，串联起来
剥三下：
Block装的是啥？原来是Self-attention！
剥四下：
Self-attention原来加入了residual和Layer Normal，至此剥完了。
说明：
上图自底向上看，关键点：
1、residual结构，输入接到输出送入下一层，残差结构；
2、Layer Normal，具体如下图：
算出标准差和均值后，套用公式计算即可。
以上就是Encoder的全部了！
论文中是这么画图表达的：
注：Positional Encoding是self-attention的位置资讯。
- Decoder 结构
有两种方法生成输出：Auto Regressive 和 Non Auto Regressive。
Auto Regressive
给个START符号，把本次输出当做是下一次的输入，依序进行下去。
Non Auto Regressive
输入是一排的START符号，一下子梭哈突出一排输出。
Encoder结构长啥样？
接下来看下结构长啥样，先遮住不一样的部分，其他部分结构基本一致，只不过这里用上了Masked Multi-Head Attention
Masked Multi-Head Attention
啥是Masked Multi-Head Attention？Masked有啥含义？
可以直接理解为单向的Multi-Head Attention，而且是从左边开始：
说明：这也很好理解，右边的字符都还没输出出来怎么做运算，因此只能是已经吐出来的左边的内容做self-attention，这就是masked的含义。
遮住的部分是啥？（cross attention）
最后这边遮住的部分到底是啥玩意？
别想太复杂，就还是self-attention。
corss的意思就是v，k来自Encoder，q来自Decoder，仅此而已。
其实也好理解，Decoder是去还原结果的，那可不得抽下Encoder编码时候的资讯和上下文语义信息才能还原，缺一不可。
比喻下，前者让输出紧扣题意，后者让其说人话。
小结
至此，Transformer的结构就阐述完了，无非就是Encoder + Decoder，建议自己在草稿纸上画画能够加深印象。
五、模型训练
transformer的模型训练用的还是cross entropy。
实战过程中的tips
- copy mechanism
例如：
Machine Translation（机器翻译），可能使用原文复制这个技能对于模型而言比较容易，毕竟它不需要创造新词汇了嘛，这就是copy mechanism。 - Guided Attention
意思就是不要乱Attention，有的放矢地让模型做attention。
- Beam Search
基本思想就是不要步步好，有可能短期不好但是长期更好。说的和人生似的。
如果模型需要有点创造力，不适合用此方法，这是实做后的结论。
训练过程记得让模型看些负样本，不至于模型一步错步步错，（schedule sampling方法）。
五、小结
最基本的掌握好Encoder和Decoder就很可以了，其他的在实做过程中遇到问题再问问AI工具。