Transformer模型-5-Multi-Head Attention

上图红色圈中的部分为 Multi-Head Attention，是由多个Self-Attention组成的，虽然Encoder与Decoder中都有Multi-Head Attention，但他们略有区别。Encoder block包含一个 Multi-Head Attention，而Decoder block包含两个 Multi-Head Attention。

Decoder block包含两个 Multi-Head Attention，其中第一层的多头注意力用到Masked，第二层其数据组成则是由 Encoder输出数据的3/4直接送入( Encoder输出的另外1/4数据入了Add&Norm层) 再加上由Decoder的Outputs进入的经Token Embedding和Position Enbedding计算后得的向量，经过第一层多头注意力后的数据

注意力

Attention函数可以描述为将query和一组key-value对映射到输出，其中query、key、value和输出都是向量。输出为value的加权和，其中分配给每个value的权重通过query与相应key的兼容函数来计算。
—— 来自(www.yiyibooks.cn/yiyibooks/A…

QKV的理解

在《Attention is all you need》论文中首次提出Transformer时构建了三个辅助向量QKV。而所谓QKV也就是Q(Query 查询)，K(Key 键值)，V(Value 实际的特征信息)。他们本质上是代表了三个独立的矩阵，都是我们原本的序列X做了不同的线性变换之后的结果，都可以作为X的代表。简单的可理解成：

Q=XWQK=XWKV=XWV*Q*=*X**W**Q**K*=*X**W**K**V*=*X**W**V*

如下图所示：

其中 WQ,WK和WV*W**Q*,*W**K*和*W**V*是三个可训练的参数矩阵，输入矩阵X分别与WQ,WK和WV*W**Q*,*W**K*和*W**V*相乘，生成Q, K和V，相当于经历了一次线性变换。Attention不直接使用X，而是使用经过矩阵乘法生成的三个矩阵，因为使用三个可训练的参数矩阵，可增强模型的拟合能力。

多头注意力

什么是多头注意力

所谓多头，是分别将线性的变换之后的QKV切分为H份，然后对每一份进行后续的self-attention操作。最后再连接并做线性回归产生输出。如下图：

观察上图的多头注意力结构的中间的Scaled Dot-Product Attention(点积自注意力)，我们可以把拆为理解为高维向量被拆分为H分低维向量，并在H个低维空间里求解各自的self-Attention。

多头注意力的理解

代码层面: 把原始的维度切成H份，假如h=8(切成8份)，每份则为512/8=64。在每个64维做相关度(即相乘)计算
原理层面: 把原来在一个高维空间里衡量一个文本的任意两个字之间的相关度，变成了在8维空间里去分别衡量任意两个字的相关度的变化

工作原理

QKV获取

经过position embedding 与 word embedding 计算后得到的向量x进入Encoder，经过3次线性变化之后，得到QKV，如下图：

获取每个字都形成`512/H`维度的信息

一个完整的数据矩阵, 经过计算得到QKV之后，分别获取三个(batch_size)维向量矩阵(下图右侧第一列），再次水平切分矩阵为(seq_len * 512维的信息) 数据(如下图右侧第二列)按，按字按维度切成H份(如最右侧的第三列)。再然后，计算一个字的维度。即将一个字分成H分，每一份为512/H维信息，那么一个完整的字一共有512/H维度的信息(transformer中h=8)。

在H维空间中矩阵拆变如下：

1  [batch-size、seq-len、dim]
2  [batch_size, seq_len, h, dim/h]
3
4  ---举例---
5  [1024,  5,     512  ]
6  [1024,  5,  8, 512/8]

在H个子维度里计算任意两个字的盯关度

每个字的第1头和其他字的第一头分别相乘

比如 "我“ 字，按h=8拆分，得64(512/8) 维的信息。接下来再把我字的第一个64维度的信息分别和其他字的第一个64维的信息进行向量相乘。如果相乘的结果越大代表两个向量相似度接高，越小两个向量的相似度越低。如下图，右侧说明一个序列的第1个字的64维分别与其他字的第一个64维的向量相乘（对于我要吃汉堡，一共是5个字，对应右侧的5个图，从左到向，从上一下：我想吃汉堡）。

在H个不同的(512/H)维计算相关度

经过上图的拆分，由原来在512的大的维度空间里计算相似度，变成了在H个不同的(512/H) 维的子空间里分别去计算任意两个字的相似（关）度。

比如：原来只进行1次的512 * 512的向量相乘现在变成进行8次的64 * 64这样的向量相乘，即把原来的高维空间映射成了8个不同的64维的子空间，在每字64维的子空间里，分别去衡量这一序列字词之任意两个字之间的相似度，进而提升模型的表达能力。

再进行组合成为一个512维的矩阵

当拆分计算完成即相乘之后，再连接并做线性回归产生输出，形成如下右图所示的矩阵，第一个格子的相似关是Q∗Kt*Q*∗*K**t*，其他格子也是...即再聚合起来(线性变化)成为一个512维的矩阵。

多头注意力公式

MultiHead(Q,K,V)=Concat(head1,...,headh)∗WO其中headi=Attention(QWiQ,KWiK,VWiV,)*M**u**lt**i**He**a**d*(*Q*,*K*,*V*)=*C**o**n**c**a**t*(*h**e**a**d*1,...,*h**e**a**d**h*)∗*W**O*其中*h**e**a**d**i*=*A**tt**e**n**t**i**o**n*(*Q**W**i**Q*,*K**W**i**K*,*V**W**i**V*,)

其中参数映射为矩阵：

WiQεRdmodel∗dk,WiKεRdmodel∗dk,WiVεRdmodel∗dv,WOεRdmodel∗hdv*W**i**Q**ε**R**d**m**o**d**e**l*∗*d**k*,*W**i**K**ε**R**d**m**o**d**e**l*∗*d**k*,*W**i**V**ε**R**d**m**o**d**e**l*∗*d**v*,*W**O**ε**R**d**m**o**d**e**l*∗*h**d**v*

> ![transform: h=8,dmodel=512,dk=dv=dmodel/h=512/8=64*h*=8,*d**m**o**d**e**l*=512,*d**k*=*d**v*=*d**m**o**d**e**l*/*h*=512/8=64](https://i-blog.csdnimg.cn/direct/10888ed7084748228bdb662ff63d2b1c.png)

自注意力-Self-Attention

从多头注意力的结构可以看到由H份组成的"Scaled Dot-Product Attention"，称为点积注意力层或自注意力(self-attention)。输入由query、dk 维的key和dv维的value的组成，用dk相除*q**u**ery*、*d**k* 维的*k**ey*和*d**v*维的*v**a**l**u**e*的组成，用*d**k*相除，然后应用一个softmax函数以获得值的权重。

结构如下：

上图是 Self-Attention 的结构，在计算的时候需要用到矩阵QKV。其中，Self-Attention接收的是输向量x组成的矩阵X，或者上一个Encoder block的输出。经过三次线性变化得到的QKV。

Q与Kt*K**t*经过MatMul，生成相似度矩阵。对相似度矩阵每个元素除以 dk*d**k* ，其中dk*d**k*为K的维度大小。这个除法被称为Scale。当dk*d**k*很大时，Q*KT*K**T*的乘法结果方法变大，进行Scale可使方差变小，训练时梯度更新更稳定。

Mask是个要选环节，在机器翻译等自然语言处理任务中经常使用的环节。在机器翻译等NLP场景中，每个样本句子的长短不同，对于句子结束之后的位置，无需参与相似度的计算，否则影响Softmax的计算结果。

softmax是个激活函数，在没有Mask时，softmax只起到归一化的作用。

自注意力机制将一个单词与句子中的所有单词联系起来，从而提取每个词的更多信息。

注意力公式

Attention(Q,K,V)=softmax(QKTdk)∗Vdk是Q,K矩阵的列数，即向量维度*A**tt**e**n**t**i**o**n*(*Q*,*K*,*V*)=*so**f**t**ma**x*(*d**k**Q**K**T*)∗*V**d**k*是*Q*,*K*矩阵的列数，即向量维度