深度学习系列之1----直观解释Transformer

news/2024/9/30 16:40:01

Abstract

这个系列主要用来记录我自己这种的AI小白的学习之路，通过将所学所知总结下来，记录下来。之前总喜欢记录在笔记本上，或者ipad上，或者PC端的Typora上，但总是很难回头检索到一些系统的知识，因此我觉得博客是一个不错的选择，因为时不时我就会登录网站翻看过去的痕迹，我觉得这是一种很不错的学习习惯，特此开坑，以后研究生三年时间，我将不断更新的随笔日志，既为了系统记录我的新知，也为了便于后人学习。
所以如有不当之处，欢迎评论指出，因为鄙人也是在学习。

【tip】之后的学习中我将大量使用"3W"原则来记录，就是Why?HOW?WHAT?将为什么用它、怎么用它到将它用在哪里一一说明。
这里贴出我的学习源头：
https://www.bilibili.com/video/BV13z421U7cs/?spm_id_from=333.337.search-card.all.click&vd_source=dbf0a5b21ee3e608136d2de2f7aa4035

WHY

GPT

GPT全称是一种“生成式预训练Transformer”
即：Generative Pre-trained Transformer，从名字不难看出，我们为啥要了解Transformer了

Generative指的是生成文本这种
Pre-traned指的是模型经历了从大量数据中学习的过程。预是预先的意思，指的是模型能够针对具体任务，通过额外的训练来进行微调
Transformer就是一种特殊的神经网络，也是一种机器学习的模型

语言翻译

输入数据，预测输出，取softmax，作为预测的下一个值

但实际中GPT-3的输出感觉就比GPT-2要舒服太多了，这也是由于模型规模所造成的。

与GPT交谈的过程

step1

你的输入媒体被翻译为Token，也即是小片段，可以是单词、单词片段、语音片段或者图像小块

一个token就是一个向量

step2

Attention注意力机制。就是找出上下文中那些词会改变哪些词的含义，然后更新这些词的含义，就比如下文中的model和model是含义完全不同的两个词。

step3

多层感知机 Multilayer Perception
前馈神经网络层，类比于神经网络的计算

step4、5、6、7、8、9………………

最终得到所有token的概率分布，进而预测下一个词

以上就是我们为啥要学习Transformer的原理了

HOW?

这个地方就详细说明他的原理了。
比方说我们想得到这么一种函数，就是输入图像我们可以让它输出对图像的描述，或者就上面所述，输入文本，能够预测输出。

AI初期做法

写死model，也就是控制领域的”开环“
即：try to explicitly define a procedure for how to do that task in code
试图在代码中，明确定义如何执行一个任务

AI现在做法

一堆参数，给我什么类型的数据，我就改变对应的参数。像一堆仪表盘一样，调整数值。

机器学习最基本的模型

线性回归
比如你们老师上课常举得例子：房价预测模型

就是找一条曲线来尽可能的拟合所有数据。当然这种数据也是一对一的，自变量为1，因变量也为1.

将参数矩阵分为几大类

俗话说的好，数据越多越复杂（当然你很可能认为是废话）
由于参数多，所以集成化

几何角度的加权求和

向量点乘

词嵌入(Word Embedding)

我们为什么要将单词映射到向量？

这就不得不提到词向量模型了，这是自然语言处理领域一大重点。
词向量模型可以分为两类：基于统计的方法和基于深度学习的方法。基于统计的方法包括one-hot编码、n-gram等，而基于深度学习的方法则包括Word2Vec、GloVe和Transformer等。我们重点介绍Transformer的。

在Transformer模型中，词向量是通过嵌入层实现的。嵌入层将输入的单词转换为固定大小的向量，这些向量表示单词的语义信息。与传统的词向量方法不同，Transformer使用的是位置编码（Positional Encoding）技术来捕获单词的位置信息。

那么是如何实现的呢？

我们常用one-hot编码，也就是独热编码：

这种编码方式有一个缺点，那就是一个单词对应一个向量，所不同的仅仅是1的位置不同而已，这也就是独热编码的特点，也是缺点。。。。

而词嵌入的方式：

使用的是向量，向量在三维空间包含了方向、大小，不同向量之间还包含了夹角，代表两个词的关系程度，可以通过向量之间的点乘来实现，如下图：

我们两个向量的关系越近，那么我们点乘的值应该越大，关系越远，点乘之间的值应该越小（负数）。这些代表单词的向量可以像数学那样随意加减，构成了一张复杂的关系网络，比如：

有趣的一点是，当使用cats-cat向量，将生成复数向量（这个复数不是虚数实数那个复数，是单词的复数！！！！！！）

嵌入矩阵（Embedding Matrix）---大字典

这是GPT-3所用到的所有的词嵌入，总规模有6亿的参数量

大家可以把这个理解为一个大字典，你要的啥单词，查一下这个矩阵字典，就可以找到其对应的向量是啥。下面我们还会用到这个大字典。

语义分析

我们人类在思考问题时，常常会结合上下文来分析一个词的含义，比如：

这个词就受到很多词意思的左右。当然我帮大家查了这个词是羽毛笔的意思。

预处理

GPT拿来一个句子，首先进行的是将句子理解为一个一个的Token，注意哈：这时并没有考虑上下文的意思，仅仅是把Token从大字典里拿来进行一个简单的替换，得到对应的向量值是多少。

而流经这个神经网络（Transformer)的作用，就是让这些向量能够获得比单个词更丰富更具体的含义

然而我们注意到矩阵含有行和列，其中行代表着语义宽度，也就是GPT一次所能处理的单词长度，注意：我这里的话指的是能够结合上下位语义的长度，也就是说，一旦问的多了，问的久了，你再问之前的，超过了这个长度，那么GPT就会遗忘之前你说的话。

哈哈，这就是为什么早期GPT版本会遗忘的原因。

预测结果

我们来看看结果我们是如何操作的。
比如生成了这样一个矩阵：

我们会根据上述矩阵的最后一列，将其映射到一个含有5000元素的列向量，这个矩阵叫做”Unembedding matrix“，解嵌入矩阵。

最后通过softmax分类器进行概率预测

softmax

这个网上就比较多了，这里不再赘述，仅记录个人发现。
我们又引入了一个温度T参量，当参量的值很大时，会给小的概率值匀更多的机会，看起来会更均匀些：

反之。

同样我们也可以操作这个T值，来改变GPT的文本生成特点

左边就很古板，而右边就很创新，但逐渐趋向于无稽之谈了，因为其更倾向于选择可能性更小的词了。官网API不允许T大于2

Logits

We call the logits for the next word prediction

《Attention is all you need》

【回顾】：
step1:三个向量初始化一样，因为这个时候是没有上下文参考的。当然，实际中他们代表着不同的含义。

step2：等到Transformer这一步，才会改变传到的意思，集合上下文
还记得我们提到的这里用到的向量的集合意义吗？

把实际的含义”扳“到正确的向量上
举个简单的例子
Candy，给他一个普通的向量，会和棒棒糖、蛋糕等甜食联系到一起，然而如果是 Spicy candy，则就会和辣联系到一起，如果是spicy candy cannon，就会和糖果大炮联系起来，就不再是食物了。

这便是注意力机制

那么注意力机制到底是如何运作的呢？？

一个单词，会问前面和后面的单词：我前面还有形容词吗？这时可能前面的俩哥们就说我在我在！！

这个疑问，就是一个询问矩阵Query,比如假设有128维。

通过一个变化矩阵得到询问矩阵

同样，应答的矩阵我们叫做应答矩阵，也叫”键矩阵“

因为有问就得有答嘛，所以：

可以看向量的匹配程度（不记得了，网上翻看，我前面讲了）
然后汇成一个图，用来指示二者的匹配程度：

然后我们找到了匹配点乘最大的值，我们认为二者的匹配程度是最大的。

也就说明了二者的相关程度。
但数值可能随意分配，所以再次需要使用softmax进行归一化，得到应答和询问的归一化数值。

注意力模型

我们管这个模型叫做注意力模型，得到的是询问和应答的相关性矩阵。

这是著名论文的给出的公式推导结果，非常精彩

掩码（masking)

一句话多次训练：
提供了多次训练的机会：

但注意的是不能让后面的词预测影响到前面，因为后面我都知道是啥词了，我还预测啥啊，对吧。。

所以我们把注意力模型里面的这些数值清零。。

但这样会影响softmax的结果，所以还需要先设置为-无穷

这一过程被称为Masking

注意力模型的尺寸

其大小等于上下文长度的平方，这也就是上下文长度不能太长

怎么“扳”？

我们前面知道，我们要将向量，根据正确的语义，扳到正确的位置上，那么我们要怎么扳？？？
而且前面论文公式里的V是什么意思呢？换言之，我们要如何知道向量的变换呢？

这时，我们其实可以这样来理解：

根据应答矩阵，被作用到Wv这个转换矩阵算子上，将产生一种作用（这个作用笔者认为可以理解为一个向量），然后询问矩阵加上这样一个响应，就变化了。最后就可以根据不同的语义产生向量的变换！！
这个Wv矩阵我们暂且称它为值矩阵。。

就像上图所说的那样
如果向量多了也一样：

但我们得到了三个矩阵参数

下面这个图将很好的说明这一点：

非常的清晰且明了