大模型算法面试笔记——注意力Transformer流程/面试题篇

学习资料来源于字母站大学

1 Transformer架构

• 基于编码器-解码器的架构来处理序列对。
• 跟使用注意力的seq2seq不同，Transformer是基于纯注意力。
  

2 注意力

2.1 自注意力机制

使用注意力：需要根据整个序列进行预测，对于同一input，不同的上下文输出不同，序列长度也不同，无法用固定窗口。

首先要得到一个能表示输入向量本身及其与序列其他向量的关联性($\alpha$)的向量，$\alpha$即注意力分数。

根据$\alpha$可以得知，哪些向量和$a$关联性最高，就可以根据$\alpha$抽取信息

将所有的$a$，$q$拼起来成矩阵，就一次性计算得到了所有的$q$，同理，$k$，$v$也通过矩阵运算一次性得到。

注意力分数的计算同样将$q$，$k$的点乘过程拼接成矩阵，然后对每一列做softmax

总过程：

2.2 多头注意力

由于所谓的“相关性”不是一个固定的定义，可以有多种表现形式，所以在用$q$寻找不同的$k$时，需要不同的$q$负责得到不同种类的相关性，同时，由于有多个$q$，所以也有多个$k$和多个$v$，相同类别的$q$，$k$，$v$一起计算

3 Add&LayerNorm

Transformer在自注意力块的输出部分又加上了输入，然后一起输入Norm层。
Transformer的LayerNorm计算公式：
$$y=\frac{x-E(x)}{\sqrt{Var(x)+ϵ}}\ast \alpha +\beta$$
其中$\alpha$，$\beta$是可学习参数，用来防止输出数据落在后续的激活函数近似线性的范围内，失去激活函数非线性特性。$ϵ$用来防止分母为0。
LayerNorm用来稳定神经网络的训练，将输入归一化到均值为0方差为1的分布中，避免训练中产生梯度消失或梯度爆炸。LayerNorm是在最后一个特征维度做归一化（一个单词内部），可以保证稳定性。

4 解码器——交叉注意力

对于Transformer架构解码器中间部分，有来自Encoder的输入，也有来自Decoder的输入，这部分架构叫做交叉注意力。总的来说，交叉注意力的$q$来自于Decoder，$k$，$v$来自于Encoder，也就是用Decoder的$q$来抽取Encoder信息作为下一步的输入。

面试题篇

1 Transformer/RNN/CNN对比

各个模型对于NLP任务需要抽取的特征的性能：

• 上下文语义（方向、长度）：Transformer > RNN > CNN
• 序列特征：RNN > Transformer > CNN
• 速度：CNN > Transformer > RNN

Transformer擅长抽取上下文语义特征的原因：RNN只能对句子进行单向的编码，CNN只能对短句进行编码，而transformer既可以同时编码双向的语义，又可以抽取长距离特征，在NLP特征抽取方面能力更强。

CNN其实是self-attention的特例。单向RNN未考虑右边序列的input且顺序执行，self-attention是并行的。

2 Transformer为什么将特征维度拆分成多个头

• 从不同角度捕捉信息，防止每个输入对自身注意力分数过高，增强模型表达能力
• 实现并行计算，提高计算效率
• 缓解梯度消失：当维度$d$很大时，点积结果的方差也会很大，做softmax后会变成近似one-hot编码，导致梯度消失。

3 为什么使用乘性注意力而不用加性注意力

在GPU场景下，矩阵乘法的计算效率更高

4 $\mathrm{Attention}(Q,K,V)=\mathrm{softmax}\frac{Q{K}^T}{\sqrt{d_k}}V$为什么要除以$\sqrt{d_k}$

如果两个矩阵都是服从正态分布的，矩阵相乘后由于元素是相乘再相加，那么结果就变成均值为0，方差为$d$的分布了，方差如果很大，和问题1的原因相同，可能会产生很分散的数值，使得softmax后导致梯度消失，所以要除以标准差恢复到正态分布。
梯度消失举例：对于$z=[1000,1,-1000]$，计算softmax:
$$\mathrm{softmax}(z)=[\frac{d^{1000}}{e^{1000}+e^1+e^{-1000}},\frac{e^1}{e^{1000}+e^1+e^{-1000}},\frac{e^{-1000}}{e^{1000}+e^1+e^{-1000}}]\approx [1,0,0]$$
对softmax求梯度
s o f t m a x ( z i ) = e z i ∑ k = 1 C e z k , i ∈ { 1 , 2 , . . . , C } \mathrm{softmax}(z_i)=\frac{e^{z_i}}{\sum_{k=1}^{C}e^{z_k}},i\in \{1,2,...,C\} softmax(zi​)=∑k=1C​ezk​ezi​​,i∈{1,2,...,C}
$$\frac{\partial \mathrm{softmax}(z_i)}{\partial z_j}=\{\begin{array}{l}\mathrm{softmax}(z_i),\mathrm{if}i=j\\ -\mathrm{softmax}(z_i)\cdot \mathrm{softmax}(z_j),\mathrm{if}i\ne j\end{array}$$
带入数值，对于$\mathrm{softmax}(z_i)\approx 1$，梯度为0，对于其他位置$j$$\mathrm{softmax}(z_i)\approx 0$，梯度同样为0，导致梯度消失。

5 为什么源码实现中mask被丢弃的token值置为-10000而不是置0

如果被丢弃的token值为0，做softmax时分子为1而不是趋近于0的值，也能得到概率值，无法满足正常token的概率和为1。