Transformers 开启了NLP一个新时代，注意力模块目前各类大模型的重要结构。作为刚入门LLM的新手，怎么能不感受一下这个“变形金刚的魅力”呢？
目录
Transformers ——Attention is all You Need
背景介绍
模型结构
位置编码
代码实现：
Attention
Scaled Dot-product Attention
Multi-head Attention
Position-Wise Feed-Forward Networks
Encoder and Decoder
Add & Norm
mask 机制
参考链接
论文链接：Attention Is All You Need
Transformers ——Attention is all You Need
背景介绍
在Transformer提出之前，NLP主要基于RNN、LSTM等算法解救相关问题。这些模型在处理长序列时面临梯度消失和梯度爆炸等问题，且这些模型是串行计算的，运行时间较长。
Transformer 模型的提出是为了摆脱序列模型的顺序依赖性，引入了注意力机制，使得模型能够在不同位置上同时关注输入序列的各个部分，且支持并行计算。该模型的提出对深度学习和自然语言处理领域产生了深远的影响，成为了现代NLP模型的基础架构，并推动了attention 机制在各种任务中的应用。
模型结构
位置编码
任何一门语言，单词在句子中的位置以及排列顺序是非常重要的。一个单词在句子的位置或者排列顺序不同，整个句子的意义就发生了偏差。举个例子:
小明欠小王500块
小王欠小明500块
顺序不同，债主关系就发生变化了?
当采用了Attention之后，句子中的词序信息就会丢失，模型就没法知道每个词在句子中的相对和绝对的位置信息。目前位置编码有多种方法：
（1）整型值标记位置，即第一个token标记为1， 第二个token标记为2。。。以此类推
可能存在的问题：
随着序列长度的增加，位置值会越来越大； 推理的序列长度比训练时所用的序列长度更长，不利于模型的泛化（2）用[0,1] 范围标记位置
将位置值的范围限制在[0,1]之内，即在第一种的方法进行归一化操作（除以序列长度）。比如有4个token，那么位置信息就是[0, 0.33, 0.69, 1]。 但这样产生的问题是，当序列长度不同时，token间的相对距离是不一样的。
因此，一个好的位置编码方法应该满足以下特性：
（1）可以表示一个token 在序列中的绝对位置；
（2）在序列长度不同的情况下，不同序列中token 的相对位置/ 距离要保持一直；
（3）可以扩展到更长的句子长度；
Transformers 中选择的是sincos编码法，其公式如下所示：
其中，pos 是token在sentence中的位置，i是维度。
代码实现：
假设句子长度是 s, embedding的维度是d， 最终生成的PE的shape是(s, d)。公式的核心是计算， 这里可以借助对数和指数的性质进行如下操作：
所以可以转换成（可对照代码进行推导理解）
class Position_Encoding(nn.Module):
def __init__(self, max_length, d_model):
self.max_length = max_length
self.dim = d_model
pe = torch.zeros(self.max_length, self.dim)
position = torch.arange(0, self.max_length).unsqueeze(1)
div_term = torch.exp( torch.arange(0, self.dim ,2) * (-1) *math.log(10000) / self.dim)
pe[:, 0::2] = torch.sin(position * div_term)
pe[:, 1::2] = torch.cos(position * div_term)
def forward(self, x):
# input_embedding + position_encoding
#....Attention
Attention 是将query 和key、value映射为输出值，其中query 和 key 计算一个相似度，然后以这个相似度为权重，计算value的加权和，最终得到输出。
Scaled Dot-product Attention
论文中用的是放缩点乘注意力(scaled dot-product attention)，其公式是：
其中， 计算时需要用到的矩阵Q（查询），K（键值），V（值）是输入单词的embedding 变换或者 上一个Encoder block的输出 。注意Q、K、V的shape 会存在一定的联系（因为需要做矩阵乘法运算）。
公式中会除以dk的平方根，从而避免内积过大。还有解释是说 softmax 在 绝对值较大的区域梯度较小，梯度下降的速度比较慢。因此希望softmax的点乘数值尽可能小。
论文中解释了为什么点积会变大。假设q 和 k中的元素满足独立分布，且均值是0，方差为1。点积 的均值是0， 方差是dk 。
Multi-head Attention
作者发现，相比直接在dmodel 维度上的 q、k、v进行attention计算 ，使用不同的、可学习的linear function 分别地对q、k、v 进行多次映射（映射的维度是dk， dk， dv） ， 然后对每一组映射的q、k、v进行attention 并行计算，并concat得到最终输出。后一种方法更有效。就像卷积层可以用多个卷积核生成多个通道的特征，在Transformers中可以用多组self attention 生成多组注意力的结果，从而增加特征表示。其计算公式和流程图如下：
注意： head的数量 * 每一组head中q的维度 = dmodel （输入Q的维度）
Position-Wise Feed-Forward Networks
前馈网络比较简单，是一个两层的全连接层，第一层的激活函数是ReLU，第二层不使用激活函数，对应的公式如下所示：
Encoder and Decoder
Transformer 从结构上可以分为Encoder 和Decoder 两个部分，这两者结构上比较类似，但也存在一些差异。
上图红色区域对应的是Encoder部分，可以看出是由 Input Embedding 、Position Encoding 和6层的EncoderLayer组成。 EncoderLayer 主要包括Multi-head Attention， Add&Norm, Feed Forward ,Add&Norm。
上图绿色区域对应的是Decoder部分，相比Encoder，需要注意Decoder中的Multi-head Attention 有所不同。首先是Masked Multi-head Attention， 是为了实现串行推理；第二个Multi-head Attention输入的Q、K、V来自不同的地方，其中Q是Masked Multi-head Attention 的输出， K和V是Encoder 的输出。
Add & Norm
这部分主要由Add 和 Norm 组成，其计算公式如下所示：
Add 是一种残差结构，和ResNet中的是一样的，可以帮助网络收敛。Norm 是指Layer Norm。
mask 机制
Transformers中比较重要的一个知识点就是mask设置。mask主要来源有两个：第一个是填充操作的空白字符（为了保证batch内句子的长度一样会进行padding操作）；第二个是因为模拟串行推理需要用到mask（Decoder部分）。
一般情况下， query 和 key都是一样的，但是在Decoder的第二个多头注意力层中，query 来自目标语言，key来自源语言。为了生成mask， 首先要知道query 和 key中<pad> 字符的分布情况，它们的形状为[n, seq_len]。如果某处是True， 表明这个地方的字符是<pad>。
src_pad_mask = x == pad_idx
dst_pad_mask = y == pad_idx为了实现串行推理，即某字符只能知道该字符以及该字符之前的内容，即一个下三角全1矩阵。mask矩阵需要取反，实现方式如下所示：
mask = 1 - torch.tril(torch.ones(mask_shape))最后根据<pad>字符分布情况分别将mask对应的行或者列置1。