从源码学习Transformer!

Transformer总体结构

近几年NLP领域有了突飞猛进的发展,预训练模型功不可没。当前利用预训练模型(pretrain models)在下游任务中进行fine-tune,已经成为了大部分NLP任务的固定范式。Transformer摒弃了RNN的序列结构,完全采用attention和全连接,严格来说不属于预训练模型。但它却是当前几乎所有pretrain models的基本结构,为pretrain models打下了坚实的基础,并逐步发展出了transformer-XL,reformer等优化架构。本文结合论文和源码,对transformer基本结构,进行详细分析。

Transformer是谷歌在2017年6月提出,发表在NIPS2017上。论文地址

Attention Is All You Need arxiv.org

分析的代码为Harvardnlp的代码,基于PyTorch, 地址

annotated-transformer github.com

Transformer主体框架是一个encoder-decoder结构,去掉了RNN序列结构,完全基于attention和全连接。在WMT2014英语翻译德语任务上,bleu值达到了28.4,达到当时的SOTA。其总体结构如下所示

总体为一个典型的encoder-decoder结构。代码如下

  1. # 整个模型入口
  2. def make_model(src_vocab, tgt_vocab, N=6,
  3. d_model=512, d_ff=2048, h=8, dropout=0.1):
  4. “Helper: Construct a model from hyperparameters.”
  5. c = copy.deepcopy
  6. # multiHead attention
  7. attn = MultiHeadedAttention(h, d_model)
  8. # feed-forward
  9. ff = PositionwiseFeedForward(d_model, d_ff, dropout)
  10. # position-encoding
  11. position = PositionalEncoding(d_model, dropout)
  12. # 整体为一个encoder-decoder
  13. model = EncoderDecoder(
  14. # encoder编码层
  15. Encoder(EncoderLayer(d_model, c(attn), c(ff), dropout), N),
  16. # decoder解码层
  17. Decoder(DecoderLayer(d_model, c(attn), c(attn), c(ff), dropout), N),
  18. # 编码层输入,输入语句进行token embedding和position embedding
  19. nn.Sequential(Embeddings(d_model, src_vocab), c(position)),
  20. # 解码层输入,同样需要做token embedding和position embedding
  21. nn.Sequential(Embeddings(d_model, tgt_vocab), c(position)),
  22. # linear + softmax,查找vocab中概率最大的字
  23. Generator(d_model, tgt_vocab))
  24. # This was important from their code.
  25. # Initialize parameters with Glorot / fan_avg.
  26. for p in model.parameters():
  27. if p.dim() > 1:
  28. nn.init.xavier_uniform(p)
  29. return model

make_model为Transformer模型定义的入口,它先定义了multi-head attention、feed-forward、position-encoding等一系列子模块,然后定义了一个encoder-decoder结构并返回。下面来看encoder-decoder定义。

  1. class EncoderDecoder(nn.Module):
  2. “”
  3. 一个标准的encoder和decoder框架,可以自定义embedding、encoder、decoder等
  4. “”
  5. def __init__(self, encoder, decoder, src_embed, tgt_embed, generator):
  6. super(EncoderDecoder, self).__init__()
  7. # encoder和decoder通过构造函数传入,可灵活更改
  8. self.encoder = encoder
  9. self.decoder = decoder
  10. # src和target的embedding,也是通过构造函数传入,方便灵活更改
  11. self.src_embed = src_embed
  12. self.tgt_embed = tgt_embed
  13. # linear + softmax
  14. self.generator = generator
  15. def forward(self, src, tgt, src_mask, tgt_mask):
  16. “Take in and process masked src and target sequences.”
  17. # 先对输入进行encode,然后再通过decode输出
  18. return self.decode(self.encode(src, src_mask), src_mask,
  19. tgt, tgt_mask)
  20. def encode(self, src, src_mask):
  21. # 先对输入进行embedding,然后再经过encoder
  22. return self.encoder(self.src_embed(src), src_mask)
  23. def decode(self, memory, src_mask, tgt, tgt_mask):
  24. # 先对目标进行embedding,然后经过decoder
  25. return self.decoder(self.tgt_embed(tgt), memory, src_mask, tgt_mask)

encoder-decoder定义了一个标准的编码解码框架,其中编码器、解码器均可以自定义,有很强的泛化能力。模块运行时会调用forward函数,它先对输入进行encode,然后再通过decode输出。我们就不详细展开了。

2 encoder

2.1 encoder定义

encoder分为两部分

  1. 输入层embedding。输入层对inputs文本做token embedding,并对每个字做position encoding,然后叠加在一起,作为最终的输入。
  2. 编码层encoding。编码层是多层结构相同的layer堆叠而成。每个layer又包括两部分,multi-head self-attention和feed-forward全连接,并在每部分加入了残差连接和归一化。

代码实现上也验证了这一点。我们看EncoderDecoder类中的encode函数,它先利用输入embedding层对原始输入进行embedding,然后再通过编码层进行encoding。

  1. class EncoderDecoder(nn.Module):
  2. def encode(self, src, src_mask):
  3. # 先对输入进行embedding,然后再经过encoder
  4. return self.encoder(self.src_embed(src), src_mask)

2.2 输入层embedding

原始文本经过embedding层进行向量化,它包括token embedding和position embedding两层。

2.2.1 token embedding

token embedding对文本进行向量化,一般来说有两种方式

  1. 采用固定词向量,比如利用Word2vec预先训练好的。这种方式是LSTM时代常用的方式,比较简单省事,无需训练。但由于词向量是固定的,不能解决一词多义的问题,词语本身也不是contextual的,没有结合上下文语境信息,另外对于不在词向量中的词语,比如特定领域词语或者新词,容易出现OOV问题。
  2. 随机初始化,然后训练。这种方式比较麻烦,需要大规模训练语料,但能解决固定词向量的一系列问题。Transformer采用了这种方式。

另外,基于Transformer的BERT模型在中文处理时,直接基于字做embedding,优点有

  1. 无需分词,故不会引入分词误差。事实上,只要训练语料充分,模型自然就可以学到分词信息了。
  2. 中文字个数固定,不会导致OOV问题
  3. 中文字相对词,数量少很多,embedding层参数大大缩小,减小了模型体积,并加快了训练速度。

事实上,就算在LSTM时代,很多case中,我们也碰到过基于字的embedding的效果比基于词的要好一些。

  1. class Embeddings(nn.Module):
  2. # token embedding,随机初始化训练,然后查表找到每个字的embedding
  3. def __init__(self, d_model, vocab):
  4. super(Embeddings, self).__init__()
  5. # 构建一个随机初始化的词向量表,[vocab_size, d_model]。bert中的设置为[21128, 768]
  6. self.lut = nn.Embedding(vocab, d_model)
  7. self.d_model = d_model
  8. def forward(self, x):
  9. # 从词向量表中查找字对应的embedding向量
  10. return self.lut(x) * math.sqrt(self.d_model)

由代码可见,Transformer采用的是随机初始化,然后训练的方式。词向量维度为[vocab_size, d_model]。例如BERT中为[21128, 768],参数量还是很大的。ALBert针对embedding层进行矩阵分解,大大减小了embedding层体积。

2.2.2 position encoding

首先一个问题,为啥要进行位置编码呢。原因在于self-attention,将任意两个字之间距离缩小为1,丢失了字的位置信息,故我们需要加上这一信息。我们也可以想到两种方法

  1. 固定编码。Transformer采用了这一方式,通过奇数列cos函数,偶数列sin函数方式,利用三角函数对位置进行固定编码。
  2. 动态训练。BERT采用了这种方式。先随机初始化一个embedding table,然后训练得到table 参数值。predict时通过embedding_lookup找到每个位置的embedding。这种方式和token embedding类似。

哪一种方法好呢?个人以为各有利弊

  1. 固定编码方式简洁,不需要训练。且不受embedding table维度影响,理论上可以支持任意长度文本。(但要尽量避免预测文本很长,但训练集文本较短的case)
  2. 动态训练方式,在语料比较大时,准确度比较好。但需要训练,且最致命的是,限制了输入文本长度。当文本长度大于position embedding table维度时,超出的position无法查表得到embedding(可以理解为OOV了)。这也是为什么BERT模型文本长度最大512的原因。
  1. class PositionalEncoding(nn.Module):
  2. # 位置编码。transformer利用编码方式实现,无需训练。bert则采用训练embedding_lookup方式
  3. # 编码方式文本语句长度不受限,但准确度不高
  4. # 训练方式文本长度会受position维度限制(这也是为什么bert只能处理最大512个字原因),但训练数据多时,准确率高
  5. def __init__(self, d_model, dropout, max_len=5000):
  6. super(PositionalEncoding, self).__init__()
  7. self.dropout = nn.Dropout(p=dropout)
  8. # 采用sin和cos进行position encoding
  9. pe = torch.zeros(max_len, d_model)
  10. position = torch.arange(0, max_len).unsqueeze(1)
  11. div_term = torch.exp(torch.arange(0, d_model, 2) *
  12. -(math.log(10000.0) / d_model))
  13. pe[:, 0::2] = torch.sin(position * div_term) # 偶数列
  14. pe[:, 1::2] = torch.cos(position * div_term) # 奇数列
  15. pe = pe.unsqueeze(0)
  16. self.register_buffer(‘pe’, pe)
  17. def forward(self, x):
  18. # token embedding和position encoding加在一起
  19. x = x + Variable(self.pe[:, :x.size(1)],
  20. requires_grad=False)
  21. return self.dropout(x)

由代码可见,position encoding直接采用了三角函数。对偶数列采用sin,奇数列采用cos。

2.3 编码层

Encoder层是Transformer的核心,它由N层相同结构的layer(默认6层)堆叠而成。

  1. class Encoder(nn.Module):
  2. “Core encoder is a stack of N layers”
  3. def __init__(self, layer, N):
  4. super(Encoder, self).__init__()
  5. # N层堆叠而成,每一层结构都是相同的,训练参数不同
  6. self.layers = clones(layer, N)
  7. # layer normalization
  8. self.norm = LayerNorm(layer.size)
  9. def forward(self, x, mask):
  10. # 1 经过N层堆叠的multi-head attention + feed-forward
  11. for layer in self.layers:
  12. x = layer(x, mask)
  13. # 2 对encoder最终输出结果进行layer-norm归一化。层间和层内子模块都做过 add + dropout + layer-norm
  14. return self.norm(x)

encoder的定义很简洁。先经过N层相同结构的layer,然后再进行归一化输出。重点我们来看layer的定义。

  1. class EncoderLayer(nn.Module):
  2. “Encoder is made up of self-attn and feed forward (defined below)”
  3. def __init__(self, size, self_attn, feed_forward, dropout):
  4. super(EncoderLayer, self).__init__()
  5. # 1 self_attention
  6. self.self_attn = self_attn
  7. # 2 feed_forward
  8. self.feed_forward = feed_forward
  9. # 3 残差连接。encoder和decoder,每层结构,每个子结构,都有残差连接。
  10. # add + drop-out + layer-norm
  11. self.sublayer = clones(SublayerConnection(size, dropout), 2)
  12. self.size = size
  13. def forward(self, x, mask):
  14. # 经过self_attention, 然后和输入进行add + layer-norm
  15. x = self.sublayer[0](x, lambda x: self.self_attn(x, x, x, mask))
  16. # 经过feed_forward, 此模块也有add + layer-norm
  17. return self.sublayer[1](x, self.feed_forward)

encoder layer分为两个子模块

  1. self attention, 并对输入attention前的和经过attention输出的,做残差连接。残差连接先经过layer-norm归一化,然后进行dropout,最后再做add。后面我们详细分析
  2. feed-forward全连接,也有残差连接的存在,方式和self attention相同。

2.3.1 MultiHeadedAttention

MultiHeadedAttention采用多头self-attention。它先将隐向量切分为h个头,然后每个头内部进行self-attention计算,最后再concat再一起。

代码如下

  1. class MultiHeadedAttention(nn.Module):
  2. def __init__(self, h, d_model, dropout=0.1):
  3. super(MultiHeadedAttention, self).__init__()
  4. assert d_model % h == 0
  5. # d_model为隐层维度,也是embedding的维度,h为多头个数。
  6. # d_k为每个头的隐层维度,要除以多头个数。也就是加入了多头,总隐层维度不变。
  7. self.d_k = d_model // h
  8. self.h = h
  9. # 线性连接
  10. self.linears = clones(nn.Linear(d_model, d_model), 4)
  11. self.attn = None
  12. self.dropout = nn.Dropout(p=dropout)
  13. def forward(self, query, key, value, mask=None):
  14. if mask is not None:
  15. # 输入mask,在decoder的时候有用到。decode时不能看到要生成字之后的字,所以需要mask
  16. mask = mask.unsqueeze(1)
  17. nbatches = query.size(0)
  18. # 1) q, k, v形状变化,加入多头, [batch, L, d_model] => [batch, h, L, d_model/h]
  19. query, key, value = [l(x).view(nbatches, -1, self.h, self.d_k).transpose(1, 2)
  20. for l, x in zip(self.linears, (query, key, value))]
  21. # 2) attention计算
  22. x, self.attn = attention(query, key, value, mask=mask,
  23. dropout=self.dropout)
  24. # 3) 多头结果concat在一起,还原为初始形状
  25. x = x.transpose(1, 2).contiguous().view(nbatches, -1, self.h * self.d_k)
  26. # 4)最后经过一个线性层
  27. return self.linears[-1](x)

下面重点来看单个头的self-attention。也就是论文中的“Scaled Dot-Product Attention”。attention本质上是一个向量的加权求和。它探讨的是每个位置对当前位置的贡献。步骤如下

  1. q向量和每个位置的k向量计算点积,然后除以向量长度的根号。计算点积可以认为是进行权重计算。除以向量长度原因是向量越长,q*k值理论上会越大,故需要在向量长度上做归一化。
  2. attention-mask。mask和输入矩阵shape相同,mask矩阵中值为0位置对应的输入矩阵的值更改为-1e9,一个非常非常小的数,经过softmax后趋近于0。decoder中使用了mask,后面我们详细分析。
  3. softmax归一化,使得q向量和每个位置的k向量的score分布到(0, 1)之间
  4. 加权系数乘以每个位置v向量,然后加起来。

公式如下:

代码如下

  1. def attention(query, key, value, mask=None, dropout=None):
  2. # attention计算,self_attention和soft-attention都是使用这个函数
  3. # self-attention, q k v 均来自同一文本。要么是encoder,要么是decoder
  4. # soft-attention, q来自decoder,k和v来自encoder,从而按照decoder和encoder相关性,将encoder信息融合进来
  5. d_k = query.size(-1)
  6. # 利用q * k计算两向量间相关度,相关度高则权重大。
  7. # 除以根号dk的原因是,对向量长度进行归一化。q和k的向量长度越长,q*k的值越大
  8. scores = torch.matmul(query, key.transpose(-2, -1)) / math.sqrt(d_k)
  9. # attention-mask,将 mask中为1的 元素所在的索引,在a中相同的的索引处替换为 value
  10. if mask is not None:
  11. scores = scores.masked_fill(mask == 0, -1e9)
  12. # softmax归一化
  13. p_attn = F.softmax(scores, dim = -1)
  14. # dropout
  15. if dropout is not None:
  16. p_attn = dropout(p_attn)
  17. # 最后利用归一化后的加权系数,乘以每一个v向量,再加和在一起,作为attention后的向量。每个字对应一个向量
  18. return torch.matmul(p_attn, value), p_attn

self-attention和soft-attention共用了这个函数,他们之间的唯一区别是q k v向量的来源不同。self-attention中q k v 均来自同一文本。而decoder的soft-attention,q来自于decoder,k和v来自于encoder。它体现的是encoder对decoder的加权贡献。

2.3.2 PositionwiseFeedForward

feed-forward本质是一个两层的全连接,全连接之间加入了relu非线性和dropout。比较简单,代码如下

  1. class PositionwiseFeedForward(nn.Module):
  2. # 全连接层
  3. def __init__(self, d_model, d_ff, dropout=0.1):
  4. super(PositionwiseFeedForward, self).__init__()
  5. # 第一层全连接 [d_model, d_ff]
  6. self.w_1 = nn.Linear(d_model, d_ff)
  7. # 第二层全连接 [d_ff, d_model]
  8. self.w_2 = nn.Linear(d_ff, d_model)
  9. # dropout
  10. self.dropout = nn.Dropout(dropout)
  11. def forward(self, x):
  12. # 全连接1 -> relu -> dropout -> 全连接2
  13. return self.w_2(self.dropout(F.relu(self.w_1(x))))

总体过程是:全连接1 -> relu -> dropout -> 全连接2。两层全连接内部没有shortcut,这儿不要搞混了。

2.3.3 SublayerConnection

在每层的self-attention和feed-forward模块中,均应用了残差连接。残差连接先对输入进行layerNorm归一化,然后送入attention或feed-forward模块,然后经过dropout,最后再和原始输入相加。这样做的好处是,让每一层attention和feed-forward模块的输入值,均是经过归一化的,保持在一个量级上,从而可以加快收敛速度。

  1. class SublayerConnection(nn.Module):
  2. “”
  3. A residual connection followed by a layer norm.
  4. Note for code simplicity the norm is first as opposed to last.
  5. “”
  6. def __init__(self, size, dropout):
  7. super(SublayerConnection, self).__init__()
  8. # layer-norm 归一化
  9. self.norm = LayerNorm(size)
  10. # dropout
  11. self.dropout = nn.Dropout(dropout)
  12. def forward(self, x, sublayer):
  13. # 先对输入进行layer-norm, 然后经过attention等相关模块,再经过dropout,最后再和输入相加
  14. return x + self.dropout(sublayer(self.norm(x)))

从forward函数可见,先对输入进行layer-norm, 然后经过attention等相关模块,再经过dropout,最后再和输入相加。残差连接的作用就不说了,参考ResNet。

3 decoder

decoder结构和encoder大体相同,也是堆叠了N层相同结构的layer(默认6层)。不同的是,decoder的每个子层包括三层。

  1. masked multi-head self-attention。这一部分和encoder基本相同,区别在于decoder为了保证模型不能看见要预测字的后面位置的字,加入了mask,从而避免未来信息的穿越问题。mask为一个上三角矩阵,上三角全为1,下三角和对角线全为0
  2. multi-head soft-attention。soft-attention和self-attention结构基本相同,甚至实现函数都是同一个。唯一的区别在于,self-attention的q k v矩阵来自同一个,所以叫self-attention。而soft-attention的q来自decoder,k和v来自encoder。表征的是encoder的整体输出对于decoder的贡献。
  3. feed-forward。这一块基本相同。

另外三个模块均使用了残差连接,步骤仍然为 layerNorm -> attention等模块 -> dropout -> 和输入进行add decoder每个layer代码如下

  1. class DecoderLayer(nn.Module):
  2. “Decoder is made of self-attn, src-attn, and feed forward (defined below)”
  3. def __init__(self, size, self_attn, src_attn, feed_forward, dropout):
  4. super(DecoderLayer, self).__init__()
  5. self.size = size
  6. # self-attention 自注意力
  7. self.self_attn = self_attn
  8. # soft-attenton, encoder的输出对decoder的作用
  9. self.src_attn = src_attn
  10. # feed-forward 全连接
  11. self.feed_forward = feed_forward
  12. # 残差连接
  13. self.sublayer = clones(SublayerConnection(size, dropout), 3)
  14. def forward(self, x, memory, src_mask, tgt_mask):
  15. # memory为encoder最终输出
  16. m = memory
  17. # 1 对decoder输入做self-attention, 再和输入做残差连接
  18. x = self.sublayer[0](x, lambda x: self.self_attn(x, x, x, tgt_mask))
  19. # 2 对encoder输出和decoder当前进行soft-attention,此处也有残差连接
  20. x = self.sublayer[1](x, lambda x: self.src_attn(x, m, m, src_mask))
  21. # 3 feed-forward全连接,也有残差连接
  22. return self.sublayer[2](x, self.feed_forward)

4 输出层

decoder的输出作为最终输出层的输入,经过两步

  1. linear线性连接,也即是w * x + b
  2. softmax归一化,向量长度等于vocabulary的长度,得到vocabulary中每个字的概率。利用beam-search等方法,即可得到生成结果。

这一层比较简单,代码如下

  1. class Generator(nn.Module):
  2. “Define standard linear + softmax generation step.”
  3. def __init__(self, d_model, vocab):
  4. super(Generator, self).__init__()
  5. self.proj = nn.Linear(d_model, vocab)
  6. def forward(self, x):
  7. # 先经过linear线性层,然后经过softmax得到归一化概率分布
  8. # 输出向量长度等于vocabulary的维度
  9. return F.log_softmax(self.proj(x), dim=-1)

5 总结

Transformer相比LSTM的优点

  1. 完全的并行计算,Transformer的attention和feed-forward,均可以并行计算。而LSTM则依赖上一时刻,必须串行
  2. 减少长程依赖,利用self-attention将每个字之间距离缩短为1,大大缓解了长距离依赖问题
  3. 提高网络深度。由于大大缓解了长程依赖梯度衰减问题,Transformer网络可以很深,基于Transformer的BERT甚至可以做到24层。而LSTM一般只有2层或者4层。网络越深,高阶特征捕获能力越好,模型performance也可以越高。
  4. 真正的双向网络。Transformer可以同时融合前后位置的信息,而双向LSTM只是简单的将两个方向的结果相加,严格来说仍然是单向的。
  5. 可解释性强。完全基于attention的Transformer,可以表达字与字之间的相关关系,可解释性更强。

Transformer也不是一定就比LSTM好,它的缺点如下

  1. 文本长度很长时,比如篇章级别,计算量爆炸。self-attention的计算量为O(n^2), n为文本长度。Transformer-xl利用层级方式,将计算速度提升了1800倍
  2. Transformer位置信息只靠position encoding,效果比较一般。当语句较短时,比如小于10个字,Transformer效果不一定比LSTM好
  3. Transformer参数量较大,在大规模数据集上,效果远好于LSTM。但在小规模数据集上,如果不是利用pretrain models,效果不一定有LSTM好。