理解 NLP 中网红特征抽取器 Tranformer | NLP 专栏

本篇介绍目前 NLP 领域的“网红”特征抽取器 Transformer。首先，作为引子，引入 Transformer 是什么的问题；接着，详细介绍了 Transformer 的结构和其内部的机制；最后，再总结 Transformer 的本质和定义。

1 Transformer 是什么？

很早就不断的有读者问我什么时候介绍 Transformer。确实，Transformer 是现在 NLP 领域最大的网红特征抽取器，基本现在所有的前沿研究都基于 Transformer 来做特征提取，不奇怪大家对它颇有兴致。

但是，我其实并不是很想写 Transformer，主要是网上写它的文章真的太多太多了，基本上能说的，各路神仙都把它说了一遍，要写出新意真的太难。

今天姑且就在这里说说，我所理解的 Transformer 吧，如有不对的地方，请大家指正。

在《Attention is all you need》中，Transformer 是一个用于机器翻译的编解码结构，这也是它为什么叫 Transformer 的原因。后来，因为在序列编码中强大的特征抽取能力和高效的运算特性，Transformer 被从编解码结构里抽离出来，成为了在 NLP 领域，目前最流行的特征抽取器。

我们暂且把对 Transformer 的认知，停留在这个层面，看完 Transformer 里到底有什么之后，再来思考这个问题，看能不能有更多的收获。

2 Transformer 里有什么

安利一下，上图来自 http://jalammar.github.io/illustrated-transformer/ 该篇博客讲 tranformer 的网络结构讲的非常细和形象，想要了解这方面的读者开源仔细读一下。

上图是 Transformer 中，第一个 sub-layer 的结构示意图。其特别之处只有输入接收的为字向量和位置编码的和，其他 sub-layer 的输入为上一层 sub-layer 的输出。每一个 sub-layer，除上述差异之外，别无二致，所以我们只需要了解一个就可以。

通常，会有多层这样的 sub-layer，在 Bert-base 中，有 12 层，GPT-2.0 则更深，所以参数量都很大。GPT-2.0 的参数量达到了“丧心病狂”的 3 亿之多，是名副其实的大模型了。曾经刚入 NLP 坑的时候，会庆幸自己不用像 CV 的同学那样，天天看着贵的显卡乍舌叹气。不过小 Dream 哥现在也不用看了，训练最新模型的显卡，是一定买不起了。话说回来，NLP 中，模型参数已经大大超过了 CV 模型的参数量，正在朝着超大规模网络的方向狂奔。真有点担心，这样下去，后面 NLP 的玩家就只剩下那几个大玩家了。

好了，我们先看看 sub-layer 都有些什么内容。

(1) self-attention

上图是 Transformer 中 self-attention 的计算过程。其实在 Transformer 中，Q,K,V 指的都是输入序列乘上不同的权重 W_Q,W_K,W_V。上述过程，可以用如下的公式概括：

看过我们上一篇 Attention 文章的同学，应该对这个公式很熟悉。在 Transformer 中，主要通过这样一层 self-Attention 对输入序列进行编码。

该编码过程的一个特点是，在编码序列中的某一个词时，让该词充分的与序列中的其他词进行运算，从而能够得到该词与序列中所有词的句法和语义关系编码。

该编码过程的另外一个重要的特点是，序列是并行输入的，因此运算效率很高。

(2) Multi-head Attention

Multi-head Attention，即多头注意力机制。大概的处理流程如下图所示：

更多的细节，读者可以参考原文，这里不再详述。总的来说，多头机制就是 8 组权重，计算出了 8 个不同的输出，再通过拼接和运算得到新的序列编码。

那么，增加了 8 倍的参数和运算量。引入这样的机制有什么好处呢？

1) 极大的增强了模型的序列编码能力，特别是序列内词之间关系的语义表征能力。这个可以这样去想，假如只有一个头的话，因为是 self-attention，在计算过程中，很有可能该词与该词的的计算结果可能会比较大，从而词与自身的运算占据了很大的影响。如果引入多头机制，不同的权重，则可以避免这种弊端，增强模型的编码能力。

2) 实现了 Attention 的多个表征子空间。这样的好处是，每个子空间可以表征序列不同方面语义信息。这方面小 Dream 哥也没有看到相关论文的解释和支撑，就不多说了，了解的小伙伴可以留言指教。

(3) Feed-forward

每一个 sub-layer 还会接一个 Feed-forward Neural Network(FNN)，FNN 的计算公式如下：

即在每个 sub-layer，针对 self-Attention 层的输出，先使用一个线性变换，再针对该线性变换的输出使用 RELU 函数，最后再针对 RELU 函数的输出使用一个线性变化。那么，做这么繁琐的变换有什么意义呢？

我们将 FNN 与 CNN 做对比，其实可以发现，其效果与加上一层卷积核大小为 11 的 CNN 是一样的。那么这就好理解了，这层所谓的 FNN 其实也是做特征提取的。至于它为什么不直接取名为 11CNN layer，这就要去问 Tranformer 的发明者了。

在 Transformer 中，还有其他的层，例如 Poition-Encoding 层，The Residuals 残差连接等，这些都好理解，读者可以参考前面推荐的 Jay Alammar 的博客。

3 再说 Transformer

前面大概讲述了 Transformer 的结构及其每个 sub-layer 的组成。那么我们再来讨论一下，Transformer 到底是什么？

我们可不可以这样说，Transformer 其实是一个用于对序列输入进行特征编码的工具。它以 self-Attention 机制为基础，从而能够编码序列输入的语义信息，对序列输入内不同词之间的关系也具有较强的编码能力，特别是 Multi-Attention 的引入，极大的增强了其编码能力。同时，Transformer 内其实还有 CNN 的影子，尽管原作者避免提及。并且，因为其结构上的优势，像 CNN 一样，Transformer 天然就能够并行计算，这一点是 RNN 等模型无法具备的。

总结

Transformer 中最重要的特点就是引入了 Attention，特别是 Multi-Head Attention。作为一个序列输入的特征抽取器，其编码能力强大，没有明显的缺点，短期内难以看到可以匹敌的竞争对手。

作者介绍

小 Dream 哥，公众号“有三 AI”作者。该公号聚焦于让大家能够系统性地完成 AI 各个领域所需的专业知识的学习。

原文链接

https://mp.weixin.qq.com/s/_rP-0WgqRCyKq5toXLCEvw