一年之前，初次接觸Transformer。當(dāng)時(shí)只覺得模型復(fù)雜，步驟繁復(fù)，苦讀論文多日也沒有完全理解其中道理，只是泛泛地記住了一些名詞，于其內(nèi)部機(jī)理完全不通，相關(guān)公式更是過目便忘。

Self-Attention 是 Transformer最核心的思想，最近幾日重讀論文，有了一些新的感想。由此寫下本文與讀者共勉。

筆者剛開始接觸Self-Attention時(shí)，最大的不理解的地方就是Q K V三個(gè)矩陣以及我們常提起的Query查詢向量等等，現(xiàn)在究其原因，應(yīng)當(dāng)是被高維繁復(fù)的矩陣運(yùn)算難住了，沒有真正理解矩陣運(yùn)算的核心意義。因此，在本文開始之前，筆者首先總結(jié)一些基礎(chǔ)知識(shí)，文中會(huì)重新提及這些知識(shí)蘊(yùn)含的思想是怎樣體現(xiàn)在模型中的。

一些基礎(chǔ)知識(shí)

1. 向量的內(nèi)積是什么，如何計(jì)算，最重要的，其幾何意義是什么？
2. 一個(gè)矩陣 與其自身的轉(zhuǎn)置相乘，得到的結(jié)果有什么意義？

1. 鍵值對(duì)注意力

這一節(jié)我們首先分析Transformer中最核心的部分，我們從公式開始，將每一步都繪制成圖，方便讀者理解。

鍵值對(duì)Attention最核心的公式如下圖。其實(shí)這一個(gè)公式中蘊(yùn)含了很多個(gè)點(diǎn)，我們一個(gè)一個(gè)來講。請(qǐng)讀者跟隨我的思路，從最核心的部分入手，細(xì)枝末節(jié)的部分會(huì)豁然開朗。

假如上面的公式很難理解，那么下面的公式讀者能否知道其意義是什么呢？

我們先拋開Q K V三個(gè)矩陣不談，self-Attention最原始的形態(tài)其實(shí)長(zhǎng)上面這樣。那么這個(gè)公式到底是什么意思呢？

我們一步一步講

代表什么？

一個(gè)矩陣乘以它自己的轉(zhuǎn)置，會(huì)得到什么結(jié)果，有什么意義？

我們知道，矩陣可以看作由一些向量組成，一個(gè)矩陣乘以它自己轉(zhuǎn)置的運(yùn)算，其實(shí)可以看成這些向量分別與其他向量計(jì)算內(nèi)積。（此時(shí)腦海里想起矩陣乘法的口訣，第一行乘以第一列、第一行乘以第二列......嗯哼，矩陣轉(zhuǎn)置以后第一行不就是第一列嗎？這是在計(jì)算第一個(gè)行向量與自己的內(nèi)積，第一行乘以第二列是計(jì)算第一個(gè)行向量與第二個(gè)行向量的內(nèi)積第一行乘以第三列是計(jì)算第一個(gè)行向量與第三個(gè)行向量的內(nèi)積.....）

回想我們文章開頭提出的問題，向量的內(nèi)積，其幾何意義是什么？

答：表征兩個(gè)向量的夾角，表征一個(gè)向量在另一個(gè)向量上的投影

記住這個(gè)知識(shí)點(diǎn)，我們進(jìn)入一個(gè)超級(jí)詳細(xì)的實(shí)例：

我們假設(shè) ，其中 為一個(gè)二維矩陣， 為一個(gè)行向量（其實(shí)很多教材都默認(rèn)向量是列向量，為了方便舉例請(qǐng)讀者理解筆者使用行向量）。對(duì)應(yīng)下面的圖， 對(duì)應(yīng)"早"字embedding之后的結(jié)果，以此類推。

下面的運(yùn)算模擬了一個(gè)過程，即 。我們來看看其結(jié)果究竟有什么意義

首先，行向量 分別與自己和其他兩個(gè)行向量做內(nèi)積（"早"分別與"上""好"計(jì)算內(nèi)積），得到了一個(gè)新的向量。我們回想前文提到的向量的內(nèi)積表征兩個(gè)向量的夾角，表征一個(gè)向量在另一個(gè)向量上的投影。那么新的向量向量有什么意義的？是行向量 在自己和其他兩個(gè)行向量上的投影。我們思考，投影的值大有什么意思？投影的值小又如何？

投影的值大，說明兩個(gè)向量相關(guān)度高。

我們考慮，如果兩個(gè)向量夾角是九十度，那么這兩個(gè)向量線性無關(guān)，完全沒有相關(guān)性！

更進(jìn)一步，這個(gè)向量是詞向量，是詞在高維空間的數(shù)值映射。詞向量之間相關(guān)度高表示什么？是不是在一定程度上（不是完全）表示，在關(guān)注詞A的時(shí)候，應(yīng)當(dāng)給予詞B更多的關(guān)注？

上圖展示了一個(gè)行向量運(yùn)算的結(jié)果，那么矩陣 的意義是什么呢？

矩陣 是一個(gè)方陣，我們以行向量的角度理解，里面保存了每個(gè)向量與自己和其他向量進(jìn)行內(nèi)積運(yùn)算的結(jié)果。

至此，我們理解了公式 中， 的意義。我們進(jìn)一步，Softmax的意義何在呢？請(qǐng)看下圖

我們回想Softmax的公式，Softmax操作的意義是什么呢？

答：歸一化

我們結(jié)合上面圖理解，Softmax之后，這些數(shù)字的和為1了。我們?cè)傧?，Attention機(jī)制的核心是什么？

加權(quán)求和

那么權(quán)重從何而來呢？就是這些歸一化之后的數(shù)字。當(dāng)我們關(guān)注"早"這個(gè)字的時(shí)候，我們應(yīng)當(dāng)分配0.4的注意力給它本身，剩下0.4關(guān)注"上"，0.2關(guān)注"好"。當(dāng)然具體到我們的Transformer，就是對(duì)應(yīng)向量的運(yùn)算了，這是后話。

行文至此，我們對(duì)這個(gè)東西是不是有點(diǎn)熟悉？Python中的熱力圖Heatmap，其中的矩陣是不是也保存了相似度的結(jié)果？

我們仿佛已經(jīng)撥開了一些迷霧，公式 已經(jīng)理解了其中的一半。最后一個(gè) X 有什么意義？完整的公式究竟表示什么？我們繼續(xù)之前的計(jì)算，請(qǐng)看下圖

我們?nèi)? 的一個(gè)行向量舉例。這一行向量與 的一個(gè)列向量相乘，表示什么？

觀察上圖，行向量與 的第一個(gè)列向量相乘，得到了一個(gè)新的行向量，且這個(gè)行向量與 的維度相同。

在新的向量中，每一個(gè)維度的數(shù)值都是由三個(gè)詞向量在這一維度的數(shù)值加權(quán)求和得來的，這個(gè)新的行向量就是"早"字詞向量經(jīng)過注意力機(jī)制加權(quán)求和之后的表示。

一張更形象的圖是這樣的，圖中右半部分的顏色深淺，其實(shí)就是我們上圖中黃色向量中數(shù)值的大小，意義就是單詞之間的相關(guān)度（回想之前的內(nèi)容，相關(guān)度其本質(zhì)是由向量的內(nèi)積度量的）！

如果您堅(jiān)持閱讀到這里，相信對(duì)公式 已經(jīng)有了更深刻的理解。

我們接下來解釋原始公式中一些細(xì)枝末節(jié)的問題

2. Q K V矩陣

在我們之前的例子中并沒有出現(xiàn)Q K V的字眼，因?yàn)槠洳⒉皇枪街凶畋举|(zhì)的內(nèi)容。

Q K V究竟是什么？我們看下面的圖

其實(shí)，許多文章中所謂的Q K V矩陣、查詢向量之類的字眼，其來源是 與矩陣的乘積，本質(zhì)上都是 的線性變換。

為什么不直接使用 而要對(duì)其進(jìn)行線性變換？

當(dāng)然是為了提升模型的擬合能力，矩陣 都是可以訓(xùn)練的，起到一個(gè)緩沖的效果。

如果你真正讀懂了前文的內(nèi)容，讀懂了 這個(gè)矩陣的意義，相信你也理解了所謂查詢向量一類字眼的含義。

3. 的意義

假設(shè) 里的元素的均值為0，方差為1，那么 中元素的均值為0，方差為d. 當(dāng)d變得很大時(shí)， 中的元素的方差也會(huì)變得很大，如果 中的元素方差很大，那么 的分布會(huì)趨于陡峭(分布的方差大，分布集中在絕對(duì)值大的區(qū)域)。總結(jié)一下就是 的分布會(huì)和d有關(guān)。因此 中每一個(gè)元素除以 后，方差又變?yōu)?。這使得 的分布“陡峭”程度與d解耦，從而使得訓(xùn)練過程中梯度值保持穩(wěn)定。

至此Self-Attention中最核心的內(nèi)容已經(jīng)講解完畢，關(guān)于Transformer的更多細(xì)節(jié)可以參考我的這篇回答：

最后再補(bǔ)充一點(diǎn)，對(duì)self-attention來說，它跟每一個(gè)input vector都做attention，所以沒有考慮到input sequence的順序。更通俗來講，大家可以發(fā)現(xiàn)我們前文的計(jì)算每一個(gè)詞向量都與其他詞向量計(jì)算內(nèi)積，得到的結(jié)果丟失了我們?cè)瓉砦谋镜捻樞蛐畔?。?duì)比來說，LSTM是對(duì)于文本順序信息的解釋是輸出詞向量的先后順序，而我們上文的計(jì)算對(duì)sequence的順序這一部分則完全沒有提及，你打亂詞向量的順序，得到的結(jié)果仍然是相同的。

這就牽扯到Transformer的位置編碼了，我們按住不表。

Self-Attention的代碼實(shí)現(xiàn)

# Muti-head Attention 機(jī)制的實(shí)現(xiàn)
from math import sqrt
import torch
import torch.nn


class Self_Attention(nn.Module):
    # input : batch_size * seq_len * input_dim
    # q : batch_size * input_dim * dim_k
    # k : batch_size * input_dim * dim_k
    # v : batch_size * input_dim * dim_v
    def __init__(self,input_dim,dim_k,dim_v):
        super(Self_Attention,self).__init__()
        self.q = nn.Linear(input_dim,dim_k)
        self.k = nn.Linear(input_dim,dim_k)
        self.v = nn.Linear(input_dim,dim_v)
        self._norm_fact = 1 / sqrt(dim_k)
        
    
    def forward(self,x):
        Q = self.q(x) # Q: batch_size * seq_len * dim_k
        K = self.k(x) # K: batch_size * seq_len * dim_k
        V = self.v(x) # V: batch_size * seq_len * dim_v
         
        atten = nn.Softmax(dim=-1)(torch.bmm(Q,K.permute(0,2,1))) * self._norm_fact # Q * K.T() # batch_size * seq_len * seq_len
        
        output = torch.bmm(atten,V) # Q * K.T() * V # batch_size * seq_len * dim_v
        
        return output

# Muti-head Attention 機(jī)制的實(shí)現(xiàn)
from math import sqrt
import torch
import torch.nn


class Self_Attention_Muti_Head(nn.Module):
    # input : batch_size * seq_len * input_dim
    # q : batch_size * input_dim * dim_k
    # k : batch_size * input_dim * dim_k
    # v : batch_size * input_dim * dim_v
    def __init__(self,input_dim,dim_k,dim_v,nums_head):
        super(Self_Attention_Muti_Head,self).__init__()
        assert dim_k % nums_head == 0
        assert dim_v % nums_head == 0
        self.q = nn.Linear(input_dim,dim_k)
        self.k = nn.Linear(input_dim,dim_k)
        self.v = nn.Linear(input_dim,dim_v)
        
        self.nums_head = nums_head
        self.dim_k = dim_k
        self.dim_v = dim_v
        self._norm_fact = 1 / sqrt(dim_k)
        
    
    def forward(self,x):
        Q = self.q(x).reshape(-1,x.shape[0],x.shape[1],self.dim_k // self.nums_head) 
        K = self.k(x).reshape(-1,x.shape[0],x.shape[1],self.dim_k // self.nums_head) 
        V = self.v(x).reshape(-1,x.shape[0],x.shape[1],self.dim_v // self.nums_head)
        print(x.shape)
        print(Q.size())

        atten = nn.Softmax(dim=-1)(torch.matmul(Q,K.permute(0,1,3,2))) # Q * K.T() # batch_size * seq_len * seq_len
        
        output = torch.matmul(atten,V).reshape(x.shape[0],x.shape[1],-1) # Q * K.T() * V # batch_size * seq_len * dim_v
        
        return output

在本文的基礎(chǔ)上，筆者從零實(shí)現(xiàn)了Transformer模型，感興趣的讀者歡迎看一看呀~

熬了一晚上，我從零實(shí)現(xiàn)了Transformer模型，把代碼講給你聽

如果覺得有用，就請(qǐng)分享到朋友圈吧！