【NLP】 理解NLP中网红特征抽取器Tranformer
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。
作者&编辑 | 小Dream哥
1 Transformer是什么？
很早就不断的有读者问小Dream哥什么时候介绍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，不奇怪大家对他颇有兴致。
但是，小Dream哥其实并不是很想写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。
今天小Dream哥就在这里说说，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1*1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1*1CNN 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。NLP领域的同学们，务必好好研究。