Transformer与注意力机制详解

1 Transformer与注意力机制详解

本文直观上详细介绍了大语言模型中十分重要的结构——Transformer，及其核心：注意力机制的原理。

1. Transformer结构

基础结构如下图所示，左侧由一系列Encoder block（编码器）构成，接收字词句输入；右侧由一系列Decoder block（解码器）构成，输出结果。

每个Encoder-Decoder对构成Transformer的基本单元，细节结构如下图所示。其中，各部分作用为：

• Embedding 层：将输入的字词句转为向量表示，每个词对应一个向量表示(维度人为指定)。如上图中的“我有一只猫”，一共五个词，若embedding的维度为64，则embedding后的矩阵为5*64。
• Positional Encoding（位置编码）层：提取一句话中各个字词的前后位置关系，便于理解语义与逻辑。如“我有猫”和“猫有我”是完全不一样的意思，但所含的词是完全相同的。
• Multi-Head Attention(多头注意力机制)层：用于捕获一句话中前后字词的注意力重点，如“我有一只猫”中，“有”和“猫”两个词的注意力得分就要大于“有”和“只”的，即提取句子中的前后主要逻辑关系。
• Add&Norm层：进行残差连接和归一化
• FeedForward层：包括两层线性变换，与一层非线性变换，通常是Relu，先将数据映射到高纬度的空间再映射到低纬度的空间，提取更深层次的特征
  
  整体流程为(看完下述注意力机制再回来看会更明白些)：Encoder模块对于输入提取注意力并进行线性变换，得到包括语句所有字词的信息结果，将其转换为k,v输入Decoder中；Decoder首先使用mask self attention得到前i个已知字词，将后面i+1个需要预测的字词都用mask掩盖，然后生成对应的q（查询）; 最终，将两者的k,v,q共同输入Decoder的第二个self attention中计算，输出预测结果。

2. 注意力机制详解

注意力机制最核心的内容为Q、K、V三个参数，分别代表查询、键、值。其中，查询类似你在搜索引擎中输入的问题，键与值组成键值对作为庞大知识库中的内容。

• Q、K、V定义以及关系：
  Q：查询（维度通常为N × d，N是序列长度（即token 数量），d是词向量的维度（即embedding的维度)，即Q代表查找的目标的关键字
  K：键（维度为Nd），即知识库内容V的简易总结版，用于接收查找Q的关键信息并与其进行相似度比对
  V：值（维度为Nd），即每个K对应的内容
• 注意力机制计算公式为：
  $Attention(Q,K,V)=softmax($