|
|
|
|
@ -0,0 +1,97 @@
|
|
|
|
|
### 第一章——NLP通用框架BERT原理解读
|
|
|
|
|
|
|
|
|
|
#### 传统解决方案遇到的问题
|
|
|
|
|
|
|
|
|
|
传统的RNN网络
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
- 训练速度：无法加速训练，并行等
|
|
|
|
|
- Self-Attention机制（注意力），一段话中，不是每个词都重要，我们只需要关注重要的部分。如：下班后我们一起去吃饭吧，我听说有家面馆挺好吃的，我请客。是不是对于听的人来说主要是“我请客”。
|
|
|
|
|
|
|
|
|
|
- word2vec：训练好词向量就永久不变了，不同的语境相同的词相同的向量，但这合理吗？就想我们在生气的时候说傻子，很开心的时候说傻子，意思是完全不一样的，
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
#### Transformer整体架构如下
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
#### 注意力机制的作用
|
|
|
|
|
|
|
|
|
|
- 对于输入的数据，我们的关注点是什么？
|
|
|
|
|
- 如何才能让计算机关注到这些有价值的信息？
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
> 如上，传入一段文本，如果我们没有强调注意什么，那么词向量结果可能是平行的，如果我们强调“eating”，那么“eating”这个词的词向量就会有所不同。
|
|
|
|
|
|
|
|
|
|
如果是人为的加权，告诉计算机哪个重要，这显然是不合实际的，应该让计算机自己发现哪些重要。
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
> “it”在第一句中是指代“animal”，表示它太累了没有过去。
|
|
|
|
|
>
|
|
|
|
|
> “it”在第二句中指代“street”，表示路太窄了没有过去。
|
|
|
|
|
>
|
|
|
|
|
> 这里关注的是“animal”，我们希望即使是第二句，“animal”对结果的影响越大。
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
#### Self-Attention计算
|
|
|
|
|
|
|
|
|
|
- 输入经过编码后得到的向量。
|
|
|
|
|
- 得到当前词语上下文的关系，可以当做是加权。
|
|
|
|
|
- 构建三个矩阵分别查询当前词跟其它词的关系，以及特征向量的表达。
|
|
|
|
|
|
|
|
|
|
如下图：
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
> 先转换成向量，构建三个矩阵Q、K、V，求出来第一个词编码的时候怎么找到上下文。右边的W就是权重。
|
|
|
|
|
|
|
|
|
|
这三个矩阵具体做什么：
|
|
|
|
|
|
|
|
|
|
- Q: query，要去查询的
|
|
|
|
|
- K: key，等着被查的
|
|
|
|
|
- V: value，实际的特征信息
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
> X是输入内容，结果W后，形成Q、K、V不同矩阵的特征向量。
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
> q与k的内积表示有多匹配，如果Xa与Xb之间无关的时候，那么其在坐标系上的表示是垂直的；如果有关系，则非垂直，则有夹角有内积，相关性越大，则夹角越小，内积越大。
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
#### 特征分配与softmax机制
|
|
|
|
|
|
|
|
|
|
- 最终的的得分值经过softmax就是最终上下文结果
|
|
|
|
|
|
|
|
|
|
> 加上dk是因为计算内积会因为向量维度越长，向量维度越大，越大影响就越大，影响不应该根据维度的长宽改变，所以应该除掉向量维度的影响。softemax的计算不理解的可以跳转到[深度学习入门第一章](https://github.com/ben1234560/AiLearning-Theory-Applying/blob/master/%E6%B7%B1%E5%BA%A6%E5%AD%A6%E4%B9%A0%E5%85%A5%E9%97%A8/%E7%AC%AC%E4%B8%80%E7%AB%A0%E2%80%94%E2%80%94%E6%B7%B1%E5%BA%A6%E5%AD%A6%E4%B9%A0%E5%BF%85%E5%A4%87%E7%9F%A5%E8%AF%86%E7%82%B9.md#softmax%E5%88%86%E7%B1%BB%E5%99%A8%E5%88%86%E7%B1%BB%E4%BB%BB%E5%8A%A1)
|
|
|
|
|
|
|
|
|
|
- Scaled Dot-Product Attention 不能让分值随着向量维度的增大而增加
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
这样就能计算出来了结果，这个就是Self-Attention机制，内积大的就重要，小的就不重要。
|
|
|
|
|
|
|
|
|
|
每个词的Q会跟整个序列中每个K计算得分，然后基于得分再分配特征
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
> 这样就解决了word2vec训练完后词向量不变的问题，每次都跟其它组合项进行计算，从而改变权重和词向量。
|
|
|
|
|
|
|
|
|
|
**再看一遍整体流程**
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
- input~Score：每个词的Q会跟每个K计算得分。
|
|
|
|
|
- Divide by dk：除掉维度的影响。
|
|
|
|
|
- Softmax：得到最大的概率值。
|
|
|
|
|
- Softmax × Value：求得词向量的编码。
|
|
|
|
|
|
|
|
|
|
这样第一个词就编码完成，后面的第二、第N个词也是如此操作。
|
|
|
|
|
|
|
|
|
|
总结：Attention依靠内积来求得每个词和每个K的得分，且并行求。
|
benjas
6 years ago
