Attention Is All You Need简析

Attention Is All You Need

介绍

文章提出的transformer，使用注意力机制，对于资源的要求更低，却同样能达到state-of-the-art的效果。

整体框架

Encoder

Encoder由6个相同的层组成，每层都有两个子层，一个是self-attetion机制，一个是全连接的前向网络。在子层之间也使用了残差连接与layer nomalization。

Decoder

Decoder同样由6个相同的层组成，同样有两个相同的子层，同样利用残差连接与layer nomalization，不同的是插入了第三个子层，将encoder的输出作为输入来进行自注意力机制。值得注意的是，decoder采用的是masked self-attention。举个例子：

对于第一个单词i来说，只能与自己作attention，因为它无法预测它之后的信息，相应的每个单词只能与他和他之前的单词作attention。

Scaled Dot-Product Attention

该方法只是将query与key作点击后除以$\sqrt{d_k}$dk​​（$d_k$dk​是key的维度），其余并无不同

Multi-Head Attention

用h(本文取8)个不同的线性变换分别将$d_{model}$dmodel​维的key、value和query线性变换成$d_k$dk​维、$d_k$dk​维和$d_v$dv​维，然后再代入注意力机制，产生总共h×$d_v$dv​维输出，然后拼起来，再用一个线性变换得到最终的输出。

Positional Encoding

这里不同于facebook采用绝对位置信息，而是利用正弦、余弦函数的周期性变换来表示相对位置。

位置p+k的向量可以表示成位置p的向量的线性变换，这提供了表达相对位置信息的可能性。

Position-wise Feed-forward Networks

在进行了Attention操作之后，encoder和decoder中的每一层都包含了一个全连接前向网络，对每个position的向量分别进行相同的操作，包括两个线性变换和一个ReLU**输出：

Experiment

可以看出，transformer 用了最少的资源得到了state-of-art的输出回报。