这几天花了不少时间在看 Transformer，正好不知道更新什么，就在此记录一下吧。其实我并不想对于 Transformer 这个东西进行深究，只想简单的知道这个东西做了什么事情，有什么优势，以及怎么使用。网上找文档的时候发现基本上所有文档都是在讲大概念，但是很少有涉及细节的。比如我只想知道输入输出维度是多少，怎么快速的用起来看看效果，讲这些的好像并不多。
当然，我们可以自己直接看看代码的输入输出，但是这就比较麻烦，而且对于之前没研究过这方面的我来说也不是太友好。或者我们也可以直接把代码拿来跑一下看看，但是这是因为正好 Pytorch 有一个 nn.Transformer，如果换成别的没有现成的代码的东西，想快速知道输入输出其实还是挺麻烦的。今天正好搜到一篇文章记录了一些细节，在此转载记录一下。并加上自己的一些粗俗的理解，试图把问题阐述的更清晰一些。
以下一部分内容转载自：https://zhuanlan.zhihu.com/p/166608727
一、Transformer 输入输出维度
这张图相信大家都很熟悉了。
对于机器翻译来说，一个样本是由原始句子和翻译后的句子组成的。比如原始句子是： “我爱机器学习”，那么翻译后是 “i love machine learning”。 则该一个样本就是由“我爱机器学习”和 “i love machine learning” 组成。
这个样本的原始句子的单词长度是 length=4，即‘我’ ‘爱’ ‘机器’ ‘学习’。经过 embedding 后每个词的 embedding 向量是 512。那么“我爱机器学习”这个句子的 embedding 后的维度是 [4，512 ] （若是批量输入，则embedding后的维度是 [batch, 4, 512]）。
也就是说，输入维度就是 batch_size * sequence_length * embedding_dimension
如果不经过 decoder，那么 encoder 输出维度是和输入维度一样的。如果加了 decoder，就看 decoder 的输出维度怎么定义。
二、Transformer Encoder
输入在上面已经提及，下面看一下其他部分。
1、Padding
因为每个样本的原始句子的长度是不一样的，那么怎么能统一输入到 encoder 呢。此时 padding 操作登场了，假设样本中句子的最大长度是 10，那么对于长度不足 10 的句子，需要补足到 10 个长度，shape 就变为 [10, 512]，补全的位置上的 embedding 数值自然就是 0 了。
2、Padding Mask
对于输入序列一般我们都要进行 padding 补齐，也就是说设定一个统一长度 N，在较短的序列后面填充 0 到长度为 N。对于那些补零的数据来说，我们的 attention 机制不应该把注意力放在这些位置上，所以我们需要进行一些处理。具体的做法是，把这些位置的值加上一个非常大的负数(负无穷)，这样经过 softmax 后，这些位置的权重就会接近 0。Transformer 的 padding mask 实际上是一个张量，每个值都是一个 Boolean，值为 false 的地方就是要进行处理的地方。
3、Positional Embedding
得到补全后的句子 embedding 向量后，直接输入 encoder 的话，那么是没有考虑到句子中的位置顺序关系的。此时需要再加一个位置向量，位置向量在模型训练中有特定的方式，可以表示每个词的位置或者不同词之间的距离；总之，核心思想是在 attention 计算时提供有效的距离信息。
由于 Positional Embedding 对我来说并不是很重要，所以更具体内容大家可以直接参考上面提到的引用文献。
4、Attention
关于 attention 操作，网上讲的很多，也很简单，就不写了。不过需要值得注意的一点是，单头 attention 的 Q/K/V 的 shape 和多头 attention 的每个头的 Qi/Ki/Vi 的大小是不一样的，假如单头 attention 的 Q/K/V 的参数矩阵 WQ/WK/WV 的 shape 分别是 [512, 512](此处假设encoder的输入和输出是一样的shape)，那么多头 attention (假设8个头)的每个头的 Qi/Ki/Vi 的参数矩阵 WQi/WKi/WVi 大小是 [512，512/8].
5、FeedForward
很简单，略
6、add/Norm
经过 add/norm 后的隐藏输出的 shape 也是 [10,512]。（当然你也可以规定为[10, x]，那么Q/K/V的参数矩阵shape就需要变一下）
7、encoder 总体流程
让我们从输入开始，再从头理一遍单个 encoder 这个过程:
- 输入 x
- x 做一个层归一化： x1 = norm(x)
- 进入多头 self-attention: x2 = self_attention(x1)
- 残差加成：x3 = x + x2
- 再做个层归一化：x4 = norm(x3)
- 经过前馈网络: x5 = feed_forward(x4)
- 残差加成: x6 = x3 + x5
- 输出 x6
三、Transformer Decoder
训练的时候：
1. 初始 decoder 的 time step 为 1 时(也就是第一次接收输入)，其输入为一个特殊的 token，可能是目标序列开始的 token(如 <BOS>)，也可能是源序列结尾的 token(如<EOS>)，也可能是其它视任务而定的输入等等，不同源码中可能有微小的差异，其目标则是预测翻译后的第1个单词 (token) 是什么；
2. 然后 <BOS> 和预测出来的第 1 个单词一起，再次作为 decoder 的输入，得到第 2 个预测单词；3 后续依此类推；
因为我目前只用到 encoder，decoder 部分就简单略过了。
四、Pytorch nn.Transformer
Pytorch 提供了 nn.Transformer，nn.TransformerEncoder，nn.TransformerEncoderLayer 等一系列封装好的网络供大家调用，所以我们其实不需要自己写特别细致的代码，直接调用即可。
https://pytorch.org/tutorials/beginner/transformer_tutorial.html
Transformer Layers：
https://pytorch.org/docs/master/nn.html#transformer-layers
这两个教程其实写的很清楚了，我们照着学习一下应该就懂了吧。