Attention Is All You Need

2017NIPS Google

背景

Attention机制最早在视觉领域提出，2014年Google Mind发表了《Recurrent Models of Visual Attention》，使Attention机制流行起来，这篇论文采用了RNN模型，并加入了Attention机制来进行图像的分类。

2015年，Bahdanau等人在论文《Neural Machine Translation by Jointly Learning to Align and Translate》中，将attention机制首次应用在nlp领域，其采用Seq2Seq+Attention模型来进行机器翻译，并且得到了效果的提升。

2017 年，Google 机器翻译团队发表的《Attention is All You Need》中，完全抛弃了RNN和CNN等网络结构，而仅仅采用Attention机制来进行机器翻译任务，并且取得了很好的效果，注意力机制也成为了大家近期的研究热点。
本文首先介绍常见的Attention机制，然后对论文《Attention is All You Need》进行介绍，该论文发表在NIPS 2017上。

目前主流的处理序列问题像机器翻译，文档摘要，对话系统，QA等都是encoder和decoder框架，
编码器：从单词序列到句子表示
解码器：从句子表示转化为单词序列分布

传统的编码器解码器一般使用RNN，这也是在机器翻译中最经典的模型，但正如我们都知道的，RNN难以处理长序列的句子，无法实现并行，并且面临对齐问题。

之后这类模型的发展大多从三个方面着手：
input的方向性 - 单向或双向
深度 - 单层或多层
类型– RNN，LSTM或GRU

但是依旧收到一些潜在问题的制约，神经网络需要能够将源语句的所有必要信息压缩成固定长度的向量。这可能使得神经网络难以应付长时间的句子，特别是那些比训练语料库中的句子更长的句子；每个时间步的输出需要依赖于前面时间步的输出，这使得模型没有办法并行，效率低；仍然面临对齐问题。

再然后CNN由计算机视觉也被引入到deep NLP中，CNN不能直接用于处理变长的序列样本但可以实现并行计算。完全基于CNN的Seq2Seq模型虽然可以并行实现，但非常占内存，很多的trick，大数据量上参数调整并不容易。

以上这些缺点的话就是由于无论输入如何变化，encoder给出的都是一个固定维数的向量，存在信息损失；在生成文本时，生成每个词所用到的语义向量都是一样的，这显然有些过于简单。为了解决上面提到的问题，一种可行的方案是引入attention mechanism。

深度学习里的Attention model其实模拟的是人脑的注意力模型，举个例子来说，当我们观赏一幅画时，虽然我们可以看到整幅画的全貌，但是在我们深入仔细地观察时，其实眼睛聚焦的就只有很小的一块，这个时候人的大脑主要关注在这一小块图案上，也就是说这个时候人脑对整幅图的关注并不是均衡的，是有一定的权重区分的。这就是深度学习里的Attention Model的核心思想。所谓注意力机制，就是说在生成每个词的时候，对不同的输入词给予不同的关注权重。我们可以看一下上面这幅图——通过注意力机制，我们将输入句子编码为一个向量序列，并自适应地选择这些向量的一个子集，同时对译文进行译码，例如where are you——>你在哪？现在我们在翻译“你”的时候给"you"更多的权重，那么就可以有效的解决对齐问题。

评价

抛弃了之前传统的encoder-decoder模型必须结合cnn或者rnn的固有模式，只用attention；

目的是在减少计算量和提高并行效率的同时不损害最终的实验结果；

创新之处在于提出了两个新的Attention机制，分别叫做Scaled Dot-Product Attention和Multi-Head Attention。

Attention机制

Attention机制用于计算相关程度，例如在翻译过程中，不同的英文对中文的依赖程度不同，Attention机制通常可以进行如下描述，输入为序列(query) $Q$ 和 (key-value pairs) { K i , V i ∣ i = 1 , 2 , … , m } \left\{K_{i}, V_{i} \mid i=1,2, \ldots, m\right\} { Ki​,Vi​∣i=1,2,…,m}，输出为Attention向量，是对key-value pairs中所有values的加权，这个加权的权重是由query和每个key计算出来的（针对不同的输入在不同的键值上反映的相关性不同，计算的权重不同）

其中query、每个key、每个value都是向量，计算如下：

第一步：计算比较$Q$和$K$的相似度，用$f(\cdot )$来表示
$$f\left(Q,K_i\right),i=1,2,\dots ,m\text{\hspace{1em}(1)}$$
第二步：将得到的相似度进行Softmax操作，进行归一化
$${\alpha }_i=\frac{e^{f\left(Q,K_i\right)}}{{\sum }_{j=1}^{m}f\left(Q,K_j\right)},i=1,2,\dots ,m\text{\hspace{1em}(2)}$$
第三步：针对计算出来的权重${\alpha }_i$，通过权重对$V$中所有的values进行加权求和计算，得到Attention向量
$$\sum _{i=1}^m{\alpha }_i{V}_i\text{\hspace{1em}(3)}$$

通常第一步中计算方法包括以下四种：

• 点乘 dot product

$$f\left(Q,K_i\right)=Q^T{K}_i$$

• 权重 General

$$f\left(Q,K_i\right)=Q^{T}W{K}_i$$

• 拼接权重 Concat

$$f\left(Q,K_i\right)=W\left[Q;K_i\right]$$

• 感知器 Perceptron

$$f\left(Q,K_i\right)=V^T\tanh \left(WQ+U{K}_i\right)$$

Transformer Architecture

绝大部分的序列处理模型都采用encoder-decoder结构，其中encoder将输入序列$(x_1,x_2,\dots ,x_n)$映射到连续表示$\vec{z}=\left(z_1,z_2,\dots ,z_n\right)$然后decoder生成一个输出序列$(y_1,y_2,\dots ,y_n)$，每个时刻输出一个结果。Transformer模型延续了这个模型，整体架构如下图。

Encoder

Encoder有$N=6$层，每层包括两个sub-layers:

1. 第一个sub-layer是multi-head self-attention mechanism，用来计算输入的self-attention
2. 第二个sub-layer是简单的全连接网络。

在每个sub-layer都模拟了残差网络，每个sub-layer的输出都是
$$LayerNorm(x+Sublayer(x))$$
其中$Sublayer(x)$ 表示Sub-layer对输入$x$做的映射，为了确保连接，所有的sub-layers和embedding layer输出的维数都相同。

概述：

每个层有两个子层。

第一个子层是多头自我注意力机制(multi-head self-attention mechanism)

第二层是简单的位置的全连接前馈网络(position-wise fully connected feed-forward network)。

在两个子层中会使用一个残差连接，接着进行层标准化(layer normalization)。

网络输入是三个相同的向量$Q$，$K$和$V$，是word embedding和position embedding相加得到的结果。为了方便进行残差连接，我们需要子层的输出和输入都是相同的维度。

Decoder

Decoder也是$N=6$层，每层包括3个sub-layers：

1. 第一个是Masked multi-head self-attention，因为是生成过程，因此在时刻 $i$的时候，大于$i$的时刻都没有结果，只有小于$i$的时刻有结果，只能获取到当前时刻之前的输入，也就是一个Mask操作。
2. 第二个和第三个sub-layer与Encoder相同，都是用了残差连接之后接上层标准化

概述：

decoder中的Layer由encoder的Layer中插入一个Multi-Head Attention + Add&Norm组成。

输入：encoder输出的word embedding与输出的position embedding求和做为decoder的输入

第一个Multi-HeadAttention + Add&Norm命名为MA-1层，MA-1层的输出做为下一MA-2层的$Q$输入，MA-2层的$K$和$V$输入（从图中看，应该是encoder中第$i(i=1,2,3,4,5,6)$层的输出对于decoder中第$i(i=1,2,3,4,5,6)$层的输入）。

MA-2层的输出作为一个前馈层FF的输入，经过AN操作后，经过一个线性+softmax变换得到最后目标输出的概率。

对于decoder中的第一个多头注意力子层，需要添加mask，确保预测位置i的时候仅仅依赖于位置小于$i$的输出。

层与层之间使用的Position-wise feed forward network。

Attention机制的实现

Scaled Dot-Product Attention

有两种常用的注意力函数，一种是加法注意力(additive attention)，另外一种是点乘注意力(dot-productattention)，论文所采用的就是点乘注意力，这种注意力机制对于加法注意力而言，更快，同时更节省空间。

在Transformer中使用的Attention是Scaled Dot-Product Attention, 是归一化的点乘Attention，计算公式：
$$\text{ Attention }(Q,K,V)=\mathrm{softmax}\left(\frac{Q{K}^T}{\sqrt{d_k}}\right)V$$

输入：query $Q$ 和 key $K$的维度是$d_k$，value $V$ 的维度是$d_v$，在实践中，将query和key、value分别处理为矩阵 $(Q,K,V)$， 那么计算输出矩阵形式如上公式。

这里把attention抽象为对value的每个表示（token）进行加权，而加权的weight就是 attention weight，而 attention weight 就是根据 query和 key 计算得到，其意义为：为了用 value 求出 query 的结果, 根据 query和 key 来决定注意力应该放在value的哪部分。以前的 attention是用 LSTM 做 encoder，也就是用它来生成 key 和 value，然后由 decoder来生成 query。

计算query和每个key的点乘操作，并除以$\sqrt{d_k}$，然后应用Softmax函数计算权重。除以一个数字$\sqrt{d_k}$的意义是(1)是因为如果$d_k$太大，点乘的值太大，如果不做scaling，结果就没有加法注意力好。
(2)为了不让输入太大，导致softmax函数被推动到非常平缓的区域。

其中$Q\in {\mathbb{R}}^{m\times d_k},K\in {\mathbb{R}}^{m\times d_k},V\in {\mathbb{R}}^{m\times d_v}$，输出矩阵维度为 ${\mathbb{R}}^{m\times d_v}$，如下所示

$Q=\underbrace{\left(\begin{array}{c}q \ q \ q \ \vdots \ q\end{array}\right)}{d{k}}} m , Q=\underbrace{\left(\begin{array}{c}k_1 \ k_2 \ k_3 \ \vdots \ k_m\end{array}\right)}{d{k}}} m , V=\underbrace{\left(\begin{array}{c}v_1 \ v_2 \ v_3 \ \vdots \ v_m\end{array}\right)}{d{v}}} m $

那么Scaled Dot-Product Attention的示意图如下所示，Mask是可选的操作(opt.)，如果是能够获取到所有时刻的输入$(K,V)$，那么就不使用Mask；如果是不能获取到，那么就需要使用Mask。

Multi-Head Attention

如果只对$Q,K,V$做一次这样的权重操作是不够的，这里提出了Multi-Head Attention，操作包括：

1. 首先对$Q,K,V$做若干次（$htimes$）线性映射，将输入维度均为$d_{model}$的 $Q,K,V$ 矩阵映射到$Q\in {\mathbb{R}}^{d_k},K\in {\mathbb{R}}^{d_k},V\in {\mathbb{R}}^{d_v}$
2. 然后分别对每个线性映射结果采用Scaled Dot-Product Attention计算出结果，拼接在一起
3. 将合并的结果进行线性变换

总结来说公示如下所示
$$\begin{array}{rl}\mathrm{MultiHead}(Q,K,V)& =\text{ Concat }\left({\text{ head }}_1,\dots ,{\text{ head }}_{\mathrm{h}}\right)W^O\\ {\text{ where head }}_{\mathrm{i}}& =\text{ Attention }\left(Q{W}_i^Q,K{W}_i^K,V{W}_i^V\right)\end{array}$$
其中线性变换参数为 $W_i^Q\in {\mathbb{R}}^{d_{\text{model }}\times d_k},W_i^K\in {\mathbb{R}}^{d_{\text{model }}\times d_k},W_i^V\in {\mathbb{R}}^{d_{\text{model }}\times d_v}$ and $W^O\in {\mathbb{R}}^{(h\times d_v)\times d_{\text{model }}}$

在论文中取$d_{model}=512$，表示每个时刻的输入维度和输出维度，$h=8$表示8个不同映射下的Attention操作，$d_k=d_v=\frac{d_{model}}{h}=64$ 表示经过线性变换之后、进行Attention操作之前的维度。

那么进行一次Attention之后输出的矩阵维度是${\mathbb{R}}^{d_v}={\mathbb{R}}^{64}$，然后进行$h=8$次操作合并之后输出的结果是，因${\mathbb{R}}^{8\times d_v}={\mathbb{R}}^{512}$此输入和输出的矩阵维度相同。

在上图的Encoder-Decoder架构中，有三处Multi-head Attention模块，分别是：

1. Encoder模块的Self-Attention，在Encoder中，每层的Self-Attention的输入$Q=K=V$，都是上一层的输出。Encoder中的每个position都能够获取到前一层的所有位置的输出。
2. Decoder模块的Mask Self-Attention，在Decoder中，每个position只能获取到之前position的信息，因此需要做mask，将其设置为 $-\infty$
3. Encoder-Decoder之间的Attention，其中$Q$来自于之前的Decoder层输出， $K,V$来自于encoder的输出，这样decoder的每个位置都能够获取到输入序列的所有位置信息。

Position-wise Feed-forward Networks

在进行了Attention操作之后，encoder和decoder中的每一层都包含了一个全连接前向网络，对每个position的向量分别进行相同的操作，包括两个线性变换和一个ReLU激活输出

$$\mathrm{FFN}(x)=\max \left(0,x{W}_1+b_1\right)W_2+b_2$$
其中每一层的参数都不同。

Position Embedding

因为模型不包括recurrence/convolution，因此是无法捕捉到序列顺序信息的，例如将$K、V$按行进行打乱，那么Attention​之后的结果是一样的。但是序列信息非常重要，代表着全局的结构，因此必须将序列的token相对或者绝对position信息利用起来。

这里每个token的position embedding 向量维度也是 $d_{model}=512$ 然后将原本的input embedding和position embedding加起来组成最终的embedding作为encoder/decoder的输入。其中position embedding计算公式如下
$$\begin{array}{rl}P{E}_{(pos,2i)}& =\sin \left(pos/10000^{2i/d_{\text{model }}}\right)\\ P{E}_{(pos,2i+1)}& =\cos \left(pos/10000^{2i/d_{\text{model }}}\right)\end{array}$$

其中$pos$表示位置index， $i$表示dimension。

Position Embedding本身是一个绝对位置的信息，但在语言中，相对位置也很重要，Google选择前述的位置向量公式的一个重要原因是：由于我们有
$$\begin{gathered} \sin (\alpha +\beta )=\sin \alpha \cos \beta +\cos \alpha \sin \beta \\ \cos (\alpha +\beta )=\cos \alpha \cos \beta -\sin \alpha \sin \beta \end{gathered}$$
这表明位置$p+k$的向量可以表示成位置p的向量的线性变换，这提供了表达相对位置信息的可能性。

在其他NLP论文中，大家也都看过position embedding，通常是一个训练的向量，但是position embedding只是extra features，有该信息会更好，但是没有性能也不会产生极大下降，因为RNN、CNN本身就能够捕捉到位置信息，但是在Transformer模型中，Position Embedding是位置信息的唯一来源，因此是该模型的核心成分，并非是辅助性质的特征。

也可以采用训练的position embedding，但是试验结果表明相差不大，因此论文选择了sin position embedding，因为

• 这样可以直接计算embedding而不需要训练，减少了训练参数
• 这样允许模型将position embedding扩展到超过了training set中最长position的position，例如测试集中出现了更大的position，sin position embedding依然可以给出结果，但不存在训练到的embedding。

Why Self-Attention

这里将Self-Attention layers和recurrent/convolutional layers来进行比较，来说明Self-Attention的好处。假设将一个输入序列$(x_1,x_2,\dots ,x_n)$分别用

1. Self-Attention Layer
2. Recurrent Layer
3. Convolutional Layer

来映射到一个相同长度的序列$(z_1,z_2,\dots ,z_n)$，其中$x_i,z_i\in {\mathbb{R}}^d$

我们分析下面三个指标：

1. 每一层的计算复杂度

2. 能够被并行的计算，用需要的最少的顺序操作的数量来衡量

3. 网络中long-range dependencies的path length，在处理序列信息的任务中很重要的在于学习long-range dependencies。影响学习长距离依赖的关键点在于前向/后向信息需要传播的步长，输入和输出序列中路径越短，那么就越容易学习long-range dependencies。因此我们比较三种网络中任何输入和输出之间的最长path length

结果如下所示

并行计算

Self-Attention layer用一个常量级别的顺序操作，将所有的positions连接起来

Recurrent Layer需要$O(n)$个顺序操作

计算复杂度分析

如果$序列长度n<表示维度d$，Self-Attention Layer比recurrent layers快，这对绝大部分现有模型和任务都是成立的。

为了提高在序列长度很长的任务上的性能，我们对Self-Attention进行限制，只考虑输入序列中窗口为$r$的位置上的信息，这称为Self-Attention(restricted), 这会增加maximum path length到$O(n/r)$。

length path

如果卷积层kernel width $k<n$，并不会将所有位置的输入和输出都连接起来。这样需要$O(n/k)$个卷积层或者 $O(lo{g}_k(n))$个dilated convolution，增加了输入输出之间的最大path length。

卷积层比循环层计算复杂度更高，是$k$倍。但是Separable Convolutions将减小复杂度。

同时self-attention的模型可解释性更好(interpretable).

参考文献

论文地址：Attention Is All You Need

语义分割之Dual Attention Network for Scene Segmentation - Hebye - 博客园

代码地址：GitHub - Kyubyong/transformer: A TensorFlow Implementation of the Transformer: Attention Is All You Need

论文解读:Attention is All you need - 知乎

论文笔记：Attention is all you need - 简书

有时间再添加的参考文献

Attention Is All You Need_哆啦咪~fo-CSDN博客

《attention is all you need》解读 - 知乎

一文读懂「Attention is All You Need」| 附代码实现