一、举例说明Transformer的整体工作原理
\quad
首先将这个模型看成是一个黑箱操作。在机器翻译中，就是输入一种语言，输出另一种语言。
\quad
那么拆开这个黑箱，我们可以看到它是由编码组件、解码组件和它们之间的连接组成。
\quad
编码组件部分由一堆编码器（encoder）构成（论文中是将6个编码器叠在一起——数字6没有什么神奇之处，你也可以尝试其他数字）。解码组件部分也是由相同数量（与编码器对应）的解码器（decoder）组成的。
\quad
最后一层编码器的输出与所有的解码器相连
\quad
Transformer的总体架构： 左边为编码模块，右边为解码模块。
二、Transformer的编码
\quad
编码器在结构上都是相同的（但它们不共享权重）。每一层又分为两个子层：
\quad
编码器的输入首先流经自注意力层——该层帮助编码器在编码特定单词时查看输入句子中的其他单词。自注意力层的输出被馈送到前馈神经网络。完全相同的前馈网络独立应用于每个位置。
从微观视角看自注意力机制：
\quad
Embedding和位置编码相加：
1、自注意力机制的计算公式：
第一步就是从每个编码器的输入向量（每个单词的词向量）中生成三个向量。也就是说对于每个单词，我们创造一个查询向量、一个键向量和一个值向量。这三个向量是通过词嵌入与三个权重矩阵后相乘创建的。
X1与WQ权重矩阵相乘得到q1, 就是与这个单词相关的查询向量。最终使得输入序列的每个单词的创建一个查询向量、一个键向量和一个值向量。
第二步是计算得分
第三步和第四步是将分数除以8(8是论文中使用的键向量的维数64的平方根，这会让梯度更稳定。这里也可以使用其它值，8只是默认值)，然后通过softmax传递结果。softmax的作用是使所有单词的分数归一化，得到的分数都是正值且和为1。
2、残差和层归一化：
3、多头注意力机制：
（1）它扩展了模型专注于不同位置的能力：it具体指代的什么？
（2）它给出了注意力层的多个“表示子空间”（representation subspaces）：有利于前景相同而背景不同的目标的识别。
在“多头”注意机制下，我们为每个头保持独立的查询/键/值权重矩阵，从而产生不同的查询/键/值矩阵。
这给我们带来了一点挑战。前馈层不需要8个矩阵，它只需要一个矩阵(由每一个单词的表示向量组成)。所以我们需要一种方法把这八个矩阵压缩成一个矩阵。那该怎么做？其实可以直接把这些矩阵拼接在一起，然后用一个附加的权重矩阵WO与它们相乘。
这几乎就是多头自注意力的全部。这确实有好多矩阵，我们试着把它们集中在一个图片中，这样可以一眼看清。
三、Transformer的解码
（1）Masked Multi-head Attention：相对于多头注意力机制将当前输入的后面输入都抹去，原因是在测试的过程中我们并不知道后面的什么，因此在训练的过程中我们应该尽可能的模拟测试的过程，提高墨香的泛化能力。
（2）解码器中的Multi-head Attention：解码器中的“编码-解码注意力层”工作方式基本就像多头自注意力层一样，只不过它是通过在它下面的解码层来创造查询矩阵（Q），并且从编码器的输出中取得键（V）/值矩阵（K）。
四、Transformer相关面试题
1、Transformer为何使用多头注意力机制？（为什么不使用一个头）
2、Transformer为什么Q和K使用不同的权重矩阵生成，为何不能使用同一个值进行自身的点乘？ （注意和第一个问题的区别）
3、Transformer计算attention的时候为何选择点乘而不是加法？两者计算复杂度和效果上有什么区别？
4、为什么在进行softmax之前需要对attention进行scaled（为什么除以dk的平方根），并使用公式推导进行讲解
5、在计算attention score的时候如何对padding做mask操作？
6、为什么在进行多头注意力的时候需要对每个head进行降维？（可以参考上面一个问题）
7、大概讲一下Transformer的Encoder模块？
8、为何在获取输入词向量之后需要对矩阵乘以embedding size的开方？意义是什么？
9、简单介绍一下Transformer的位置编码？有什么意义和优缺点？
10、你还了解哪些关于位置编码的技术，各自的优缺点是什么？
11、简单讲一下Transformer中的残差结构以及意义。
12、为什么transformer块使用LayerNorm而不是BatchNorm？LayerNorm 在Transformer的位置是哪里？
13、简答讲一下BatchNorm技术，以及它的优缺点。
14、简单描述一下Transformer中的前馈神经网络？使用了什么激活函数？相关优缺点？
15、Encoder端和Decoder端是如何进行交互的？（在这里可以问一下关于seq2seq的attention知识）
16、Decoder阶段的多头自注意力和encoder的多头自注意力有什么区别？（为什么需要decoder自注意力需要进行 sequence mask)
17、Transformer的并行化提现在哪个地方？Decoder端可以做并行化吗？
18、简单描述一下wordpiece model 和 byte pair encoding，有实际应用过吗？
19、Transformer训练的时候学习率是如何设定的？Dropout是如何设定的，位置在哪里？Dropout 在测试的需要有什么需要注意的吗？
20、引申一个关于bert问题，bert的mask为何不学习transformer在attention处进行屏蔽score的技巧？
答案下载链接：
链接：https://pan.baidu.com/s/1PLeYaxnkoz0vVOLzwjvpww
后续将继续更新~
参考链接：
(1) https://www.bilibili.com/video/BV1Di4y1c7Zm?p=1
(2) https://blog.csdn.net/longxinchen_ml/article/details/86533005
注：本文仅供笔者学习使用，如有侵权，请及时与笔者联系~
|
