Transformer：深度学习的变革力量

深度学习领域的发展日新月异，在自然语言处理（NLP）、计算机视觉等领域取得了巨大突破。然而，早期的循环神经网络（RNN）在处理长序列时面临着梯度消失、并行计算能力不足等瓶颈。而 Transformer 的横空出世，以其独特的注意力机制和并行计算能力，彻底改变了序列建模的范式，为深度学习带来了革命性的变革。本文将深入探讨 Transformer 的核心思想、关键组件、技术演进路线、应用场景，旨在帮助大家全面理解 Transformer 的强大力量。

一、从 RNN 的瓶颈到 Transformer 的横空出世 💥

在 Transformer 诞生之前，循环神经网络（RNN）及其变体（如 LSTM、GRU）是序列建模的主流方法。RNN 通过循环结构处理序列数据，将当前时刻的输入和上一时刻的隐藏状态相结合，逐步提取序列的特征。然而，RNN 在处理长序列时存在以下主要问题：

RNN的结构
在这里插入图片描述

RNN的应用场景
文本分类、情感分析（N vs 1）
在这里插入图片描述

图片描述image caption（1 Vs N）
在这里插入图片描述

机器翻译（N vs M）
在这里插入图片描述

梯度消失/爆炸 📉： RNN 在反向传播过程中，由于参数共享和多次连乘的特性，梯度会随着时间步的增加而衰减或爆炸，导致模型难以训练或无法收敛。
难以并行计算 ⏳： RNN 的计算过程是基于时间步展开的，每个时间步都需要依次计算，造成计算效率较低。
长距离依赖建模能力不足 ⛓️：由于梯度消失的原因，RNN 在处理长序列时难以捕捉到长期依赖关系，只能有效利用较短的上下文信息。

这些局限性阻碍了 RNN 在处理复杂序列任务上的进一步发展。为了解决这些问题，Google 提出了 Transformer 模型，该模型完全抛弃了循环结构，转而采用注意力机制（Attention Mechanism）来建模序列的依赖关系。Transformer 的出现标志着深度学习领域的一次重大突破，其优异的性能和并行计算能力迅速引起了广泛关注，并被广泛应用于各种序列建模任务中。

二、Transformer 的核心概念：注意力机制 🧠

Transformer 的核心思想是注意力机制，其目标是直接建模序列中任意两个位置之间的依赖关系，摆脱 RNN 的顺序依赖。注意力机制允许模型在处理某个位置的输入时，关注序列中所有位置的信息，从而更好地捕捉全局上下文信息。
在这里插入图片描述

1. Self-Attention（自注意力） 👁️

Self-Attention 是注意力机制的一种特殊形式，它关注输入序列内部的依赖关系。对于输入序列中的每个位置，Self-Attention 计算该位置与其他所有位置的关联程度，并根据关联程度加权求和，得到该位置的新的表示。这个过程相当于让模型为每个位置的表示融入上下文信息，从而更好地理解序列的含义。
具体来说，对于一个输入序列，Self-Attention 将每个位置的输入映射为三个向量：Query (Q), Key (K), 和 Value (V)。然后，通过计算 Query 和 Key 之间的点积，得到注意力权重，并对 Value 进行加权求和，得到该位置的输出。
在这里插入图片描述

Scaled Dot-Product Attention

Step 1: 输入X，通过3个线性转换把X转换为Q、K、V。如下图，两个单词Thinking，Machines通过嵌入变换会得到两个[1x4]的向量X1,X2。分别与Wq,Wk,Wv三个[4x3]矩阵做点乘得到6个[1x3]向量{q1,q2},{k1,k2},{v1,v2}

在这里插入图片描述

Step 2: 向量{q1,k1}做点乘得到得分Score 112，{q1,k2}做点乘得到得分Score 96
在这里插入图片描述

Step 3：对该得分就行规范，除以8.这样做的目的是为了使得梯度更稳定。之后对得分[14,12]做softmax得到比例[0.88,0.12]

在这里插入图片描述

Step 4: 用得分比例[0.88,0.12]乘以[v1,v2]值（Values）得到一个加权后的值。将这些值加起来得到z1。
在这里插入图片描述

2. Multi-Head Attention（多头注意力） 👯：

Multi-Head Attention 是 Self-Attention 的一种扩展，它并行执行多个注意力计算，每个注意力计算称为一个 “头”（head）。不同的头可以学习不同的注意力模式，捕捉不同的信息通道。通过并行执行多个注意力机制，模型可以更好地捕捉序列的复杂依赖关系，增强模型的表达能力。
Multi-Head Attention 的最终输出是将各个头的输出拼接起来，并通过线性变换得到。这种设计使得模型能够捕获更丰富的语义信息，从而提高模型性能。
在这里插入图片描述

理解了Scaled Dot-Product Attention，Multi-Head Attention也很容易理解。Transformer论文提到将Q、K、V通过一个线性映射之后，分成h份，对每一份进行Scaled Dot-Product Attention效果更好。然后，把各个部分的结果合并起来，再次经过线性映射，得到最终的输出。这就是所谓的Multi-Head Attention。这里的超参数h就是heads的数量，默认是8。上面说的分成h份是在dQ、dK和dV的维度上进行切分。因此进入到Scaled Dot-Product Attention的dK实际上等于DK/h。 Multi-head attention的公式如下：
在这里插入图片描述
其中，

dmodel=512,h=8,所以在Scaled Dot-Product Attention里面的

所谓Multi-Head，就是多做几次同样的事情，同时参数不共享，然后把结果拼接（类似于卷积神经网络中用不同的卷积核来提取特征）。

三、Transformer 的关键组件：编码器和解码器 🧱

Transformer 模型主要由编码器（Encoder）和解码器（Decoder）两部分组成，用于序列到序列的转换任务。

1. 编码器（Encoder） ⚙️：

在这里插入图片描述
编码器的作用是将输入序列编码为高维上下文向量，捕捉全局语义信息。编码器由多个相同的编码器层堆叠而成，每个编码器层主要由以下两部分组成：
多头注意力层（Multi-Head Attention） 👁️👯：用于捕捉输入序列的依赖关系。
前馈神经网络层（Feed Forward Network） 🧠：用于对多头注意力的输出进行非线性变换。

在每个子层之后，都添加了残差连接（Residual Connection）和层归一化（Layer Normalization），以加速模型训练并提高模型稳定性。编码器最终输出的是输入序列的上下文表示，包含了全局的语义信息。

2. 解码器（Decoder） 🧩：

在这里插入图片描述

解码器的作用是根据编码器的输出和之前生成的输出，生成目标序列。解码器也由多个相同的解码器层堆叠而成，每个解码器层主要由以下三部分组成：

自注意力层（Masked Self-Attention） 🎭：类似于编码器的多头注意力，但只关注当前位置之前的信息，避免了信息泄露。
编码器-解码器注意力层（Encoder-Decoder Attention） 🔗：该层使用解码器的输出作为 Query，编码器的输出作为 Key 和 Value，从而将编码器的上下文信息融入到解码器的输出中。
前馈神经网络层（Feed Forward Network） 🧠：用于对注意力层的输出进行非线性变换。

与编码器相同，解码器的每个子层之后也添加了残差连接和层归一化。解码器最终生成目标序列，并根据目标序列计算损失函数，进行模型训练。

3. 位置编码（Positional Encoding） 📍：

由于 Transformer 模型没有循环结构，无法捕捉序列的位置信息。为了让模型感知序列中元素的位置信息，需要引入位置编码。位置编码将每个位置的位置信息编码成一个向量，然后与输入向量相加，作为模型的输入。
常见的位置编码方法有正弦函数和余弦函数，也可以是学习的向量。使用正弦、余弦函数编码位置信息的原因在于，它们具有较好的泛化能力和周期性，便于模型学习相对位置信息。
在这里插入图片描述
其中，pos是指词语在序列中的位置。可以看出，在偶数位置，使用正弦编码，在奇数位置，使用余弦编码。从编码公式中可以看出，给定词语的pos，我们可以把它编码成一个dmodel的向量。也就是说，位置编码的每一个维度对应正弦曲线，波长构成了从2π到10000X2π的等比数列。

上面的位置编码是绝对位置编码。但是词语的相对位置也非常重要。这就是论文为什么使用三角函数的原因。正弦函数能够表达相对位置信息，主要数据依据是以下两个公式：
在这里插入图片描述

上面的公式说明，对于词汇之间的位置偏移k，PE（pos+k）可以表示成PE（pos）和PE（k）组合的形式，相当于有了可以表达相对位置的能力。

四、技术详解：Self-Attention 的计算过程及 Multi-Head Attention 的优势 🧮

1. Self-Attention 计算过程

Self-Attention 的计算过程可以用以下公式表示：
在这里插入图片描述

其中，Q、K、V 分别代表 Query、Key、Value，dk 表示 Key 的维度。具体计算步骤如下：

线性变换 ➡️：将输入向量通过线性变换分别映射为 Query、Key、Value 三个向量。
点积运算 ✖️：计算 Query 和 Key 之间的点积，得到注意力权重。
缩放 ➗：将点积结果除以 sqrt(dk) 进行缩放，避免点积过大导致梯度消失。
Softmax 📈：使用 softmax 函数将注意力权重归一化为概率分布。
加权求和 ➕：将注意力权重与 Value 进行加权求和，得到最终的输出。

该过程可以通过图示清晰展示 Q、K、V 的生成和计算流程，帮助理解 Self-Attention 的计算原理。

2. Multi-Head Attention 的优势

Multi-Head Attention 的优势主要体现在以下两个方面：
多头并行🚀：不同头学习不同的注意力模式，捕捉不同的语义信息。
增强表达 💪：模型更具鲁棒性，表达能力更强。
通过并行执行多个注意力计算，模型可以更好地捕捉序列的复杂依赖关系，避免模型陷入局部最优解，从而提高模型性能。

3. Transformer过程图解

3.1. Word embedding + Position encoding
• Inputs首先根据该语言词汇表的大小转成V维的one-hot向量v1；
• 根据one-hot向量和词嵌入模型（预训练好或者随机初始化）查找相应词向量v2；
• v2添加位置编码向量信息（训练或用规则）得到带有位置信息的向量v3。
在这里插入图片描述

3.2 Encoder

上一步得到的v3向量作为Encoder1的输入，经过Self-Attention层得到Attention 的输出，再经过Feed Forward自动生成Encoder1的输出，Encoder1的输出作为 Encoder2的输入，以此类推，一直进入到顶层Encoder，输出矢量组成的列表，然后将其转化为一组attention的集合（K，V）。
在这里插入图片描述

在这里插入图片描述

3.3 Decoder

上一步Encoder输出的attention的集合（K，V）将被送入到每个Decoder的 Encoder-Decoder attention模块作为K，V的输入（Q取Decoder中Self-Attention的输出）。至于Decoder中的Self-Attention实现过程同Encoder的Self-Attention，重复6层，最后顶层Decoder输出浮点数向量列表。
在这里插入图片描述

在这里插入图片描述

3.4 Final Linear + Softmax

顶层Decoder也是一个隐层，输出是2048或1024（这里只是打个比方）的隐层。那么这些隐层节点怎样对应到输出的词呢？首先，我们对每种语言会有一个固定的词表，比如这个语言到底有多少个词，比如中文里有2万词、3万词、5万词。对网络隐层会先过一个线性的投射层，去把它投射到一个词表大小的向量维度，形成一个词表大小向量，我们在这个向量基础上做softmax，把它转成概率。比如是3万的词，去选取里面概率最大的那个词作为我们实际的输出，这里面第五位是最大的，它会输出一个am，这样就达到了通过Encoder输出隐层来去实际生成一个词翻译的效果。

在这里插入图片描述

3.5 loss function

Transformer的训练优化目标是概率的交叉熵cross entropy，以cross entropy作为梯度更新的优化目标。下图（左）是优化目标的loss随着训练的轮数的变化情况，因为是entropy，所以是稳定下降的过程。相应的，翻译的评价目标Bleu值是匹配度加权的分数，Bleu值越高越好，它随着训练过程的进行会有一个逐步向上升的过程。训练的优化目标就是这样的，通过交叉熵的优化来提升Bleu，就能实现翻译效果优化的过程。

在这里插入图片描述

4. 为什么 Transformer 没有梯度消失或爆炸？

无循环结构： Transformer 的 Self-Attention 计算不依赖于循环结构，梯度可以直接从输出层通过较短的路径传递到输入层，而不是像 RNN 那样经过多个时间步的循环传递，避免了因时间步增加而导致的梯度衰减或爆炸。

直接依赖： Self-Attention 直接计算输入序列中任意两个位置之间的依赖关系，梯度计算也直接作用于对应的权重矩阵，不会因为序列过长而产生梯度衰减。

标准化： sqrt(dk) 对 QK^T 的点积进行缩放，softmax 函数对注意力权重进行归一化，这些操作都有助于稳定梯度传播，防止梯度爆炸。

残差连接和层归一化： Transformer 中使用的残差连接和层归一化技术，也能够进一步缓解梯度消失和爆炸问题，使得模型更容易训练。

Transformer 中 Self-Attention 的梯度传播

在 Transformer 中，Self-Attention 层的核心计算如下：

1.计算 Query (Q), Key (K), Value (V)：

Q = X W_Q

K = X W_K

V = X W_V

其中 X 是输入矩阵，WQ, WK, W_V 是可学习的权重矩阵。

2.计算 Attention 权重:

Attention Weights = softmax((Q * K^T) / sqrt(dk))

其中 dk 是 Key 的维度。

3.加权求和得到输出：

Self-Attention Output = Attention Weights * V

梯度传播过程：

假设 L 为损失函数，那么反向传播的目标是计算 ∂L/∂W_Q, ∂L/∂W_K, ∂L/∂W_V 这些权重矩阵的梯度，从而更新网络参数。

从输出层到 Attention 权重：

假设 O = Self-Attention Output, 则 ∂L/∂O 表示损失函数 L 对 Self-Attention 输出 O 的梯度。

根据 Self-Attention Output = Attention Weights * V，我们可以计算 ∂L/∂(Attention Weights):

∂L/∂(Attention Weights) = ∂L/∂O * V^T

注意，这里是直接计算，而不是通过多个时间步传递。

从 Attention 权重到 Q, K：

Attention Weights = softmax((QK^T) / sqrt(dk))，根据链式法则，求梯度比较复杂，但我们关注的是梯度的传播路径是直接的，不涉及时间的循环累积。
简化的表达方式：

∂L/∂Q = ∂L/∂(Attention Weights) * ∂(Attention Weights) /∂(QK^T) * K

∂L/∂K = ∂L/∂(Attention Weights) * ∂(Attention Weights) /∂(QK^T) * Q

∂(Attention Weights) /∂(QK^T) 这个项涉及到 softmax 和点积的导数计算，其本身也是一个稳定的算子，不会导致梯度消失或爆炸。

从 Q, K, V 到 W_Q, W_K, W_V：

根据 Q = XW_Q, K = XW_K, V = X*W_V，计算梯度为：

∂L/∂W_Q = X^T * ∂L/∂Q

∂L/∂W_K = X^T * ∂L/∂K

∂L/∂W_V = X^T * ∂L/∂V

注意，这里的梯度是直接与输入X和梯度乘积计算，而不是像RNN那样进行循环累乘。

五、Transformer 的技术演进路线：从最初到更高效 🛤️

Transformer 模型自 2017 年提出以来，经历了快速发展，涌现出许多变体和改进方法。以下是 Transformer 技术演进的主要路线：

最初的 Transformer 🥇：

原始的 Transformer 模型提出了 Self-Attention 机制和 Encoder-Decoder 架构，为后续的研究奠定了基础。
Transformer 的变体 🔄：

Reformer 🛠️：利用局部敏感哈希 (LSH) 减少注意力计算量。
Longformer 📏：结合全局和局部注意力，处理更长的序列。
BigBird 🐦：使用随机稀疏注意力，降低计算复杂度。
更高效的注意力机制 ✨：

线性注意力 ➖：使用核函数近似注意力，实现线性复杂度。
全局注意力 🌐：引入全局 token，实现高效长序列建模。
模型加速和压缩 ⚡️：

量化 🔢：将浮点数表示为低精度整数，减少模型大小和计算量。
剪枝 ✂️：删除模型中不重要的参数，减少模型复杂度。
知识蒸馏 🧪：将大模型的知识转移到小模型，加速推理。

这些改进方法旨在解决 Transformer 模型在计算量、参数量和长序列处理等方面的局限性，使得 Transformer 模型在各种应用场景中更加高效和实用。

六、Transformer 的应用场景：从 NLP 到多领域突破 🌍

Transformer 模型在各个领域都取得了巨大成功，特别是在自然语言处理（NLP）领域，其应用非常广泛：

自然语言处理 (NLP) 💬：
机器翻译 🌐：Transformer 模型成为翻译标准，大幅提升翻译质量和速度。(如 Google Translate)
文本摘要 📝：根据长文本生成简洁摘要，提高信息获取效率。(如新闻摘要工具)
文本生成 ✍️：生成高质量文本，如文章、代码、诗歌等。(如 GPT 系列)
文本分类 🏷️：对文本进行分类，如情感分析、垃圾邮件检测。(广泛应用于各种应用场景)
其他领域 💫：
计算机视觉 🖼️： ViT 模型将 Transformer 应用于图像处理，取得了优异表现。(Transformer 在图像领域大放异彩)
生物信息学 🧬：处理基因序列、蛋白质序列，进行生物信息分析。(Transformer 在生物信息学领域应用潜力巨大)

Transformer 在这些领域的成功应用，证明了其强大的建模能力和广泛的适用性。随着研究的深入，Transformer 在未来将在更多领域发挥重要作用。

七、总结与展望 🔮

Transformer 的出现是深度学习领域的一次革命性突破，它以独特的注意力机制和并行计算能力，彻底改变了序列建模的范式。本文从 Transformer 的核心概念、关键组件、技术演进路线、应用场景等方面进行了详细介绍，旨在帮助读者全面理解 Transformer 的强大力量。

Transformer 的优势 👍：

并行计算、长距离依赖、强大的表达能力。
Transformer 的局限 👎：

计算量大、模型参数多、长序列处理效率低。

Transformer 的未来发展前景广阔，随着技术的不断进步，相信 Transformer 将在更多领域取得新的突破。我们有理由相信，Transformer 将继续引领深度学习的未来，为人类社会带来更多的福祉。

参考链接:

https://blog.csdn.net/u013010473/article/details/105624048?spm=1001.2014.3001.5502
https://blog.csdn.net/u013010473/article/details/106342427?spm=1001.2014.3001.5502
https://blog.csdn.net/u013010473/article/details/106343190?spm=1001.2014.3001.5502
https://blog.csdn.net/u013010473/article/details/106344063?spm=1001.2014.3001.5502
https://blog.csdn.net/u013010473/article/details/106436994?spm=1001.2014.3001.5502
https://blog.csdn.net/u013010473/article/details/106439332?spm=1001.2014.3001.5502