作者：Ketan Doshi
翻译：Afunby
一、overview
在第一部分，已经介绍过 Transformer 的整体架构：
1、数据在输入编码器和解码器之前，都要经过：
词嵌入层
位置编码层
2、编码器堆栈包含若干个编码器。每个编码器都包含：
多头注意层
前馈层
3、解码器堆栈包含若干个解码器。每个解码器都包含：
两个多头注意层
前馈层
4、输出产生最终输出：
线性层
Softmax层。
为了深入理解每个组件的作用，在翻译任务中 step-by-step 地训练 Transformer。使用只有一个样本的训练数据，其中包括一个输入序列（英语的 "You are welcome"）和一个目标序列（西班牙语的 "De nada"）。
二、词嵌入层与位置编码
Transformer 的输入需要关注每个词的两个信息：该词的含义和它在序列中的位置。
第一个信息，可通过嵌入层对词的含义进行编码。
第二个信息，可通过位置编码层表示该词的位置。
Transformer 通过添加两个层来完成两种不同的信息编码。
1. 嵌入层（Embedding）
Transformer 的编码器和解码器各有一个嵌入层（Embedding ）。
在编码器中，输入序列被送入编码器的嵌入层，被称为输入嵌入（ Input Embedding）。
在解码器中，目标序列右移一个位置，然后在第一个位置插入一个Start token 后被送入解码器的嵌入层。注意，在推理过程中，我们没有目标序列，而是循环地将输出序列送入解码器的嵌入层，正如第一篇文章所言。这个过程被称为 "输出嵌入"（ Output Embedding）。
每个文本序列在输入嵌入层之前，都已被映射成词汇表中单词 ID 的数字序列。嵌入层再将每个数字序列射成一个嵌入向量，这是该词含义一个更丰富的表示。
2. 位置编码（Position Encoding）
RNN 在循环过程中，每个词按顺序输入，因此隐含地知道每个词的位置。
然而，Transformer一个序列中的所有词都是并行输入的。这是其相对于RNN 架构的主要优势；但同时也意味着位置信息会丢失，必须单独添加回来。
解码器堆栈和编码器堆栈各有一个位置编码层。位置编码的计算是独立于输入序列的，是固定值，只取决于序列的最大长度。
1、第一项是一个常数代码，表示第一个位置。
2、第二项是一个表示第二位置的常量代码。
pos 是该词在序列中的位置，d_model 是编码向量的长度（与嵌入向量相同）和 i 是这个向量的索引值。公式表示的是矩阵第 pos 行、第 2i 列和 (2i+ 1) 列上的元素。
换句话说，位置编码交织了一系列正弦曲线和一系列余弦曲线，对于每个位置 pos，当 i 为偶数时，使用正弦函数计算；当 i 为奇数时，使用余弦函数计算。
三、矩阵维度（Matrix Dimensions）
深度学习模型一次处理一批训练样本。嵌入层和位置编码层对一批序列样本的矩阵进行操作。嵌入层接受一个 (samples, sequence_length) 形状的二维单词ID矩阵，将每个单词ID编码成一个单词向量，其大小为 embedding_size，从而得到一个（samples, sequence_length, embedding_size) 形状的三维输出矩阵。位置编码使用的编码尺寸等于嵌入尺寸。所以它产生一个类似形状的矩阵，可以添加到嵌入矩阵中。
由嵌入层和位置编码层产生的（samples, sequence_length, embedding_size) 形状在模型中被保留下来，随数据在编码器和解码器堆栈中流动，直到它被最终的输出层改变形状。[实际上变成了（samples, sequence_length, vocab_size)] 。
以上对 Transformer 中的矩阵维度有了一个形象的认识。为了简化可视化，从这里开始，暂时放弃第一个维度（samples 维度），并使用单个样本的二维表示。
四、Encoder
编码器和解码器堆栈分别由几个（通常是 6 个）编码器和解码器组成，按顺序连接。
1、堆栈中的第一个编码器从嵌入和位置编码中接收其输入。堆栈中的其他编码器从前一个编码器接收它们的输入。
2、当前编码器接受上一个编码器的输入，并将其传入当前编码器的自注意力层。当前自注意力层的输出被传入前馈层，然后将其输出至下一个编码器。
3、自注意力层和前馈网络都会接入一个残差连接，之后再送入正则化层。注意，上一个解码器的输入进入当前解码器时，也有一个残差连接。
4、参考：在李沐老师的书，《动手学深度学习》中，P416页有对“基于位置的前馈网络”的详细解释。具体来说，该前馈网络由一个线性层，一个激活函数和另外一个线性层组成。并且这个前馈网络同样不会改变输入的形状。
5. 编码器堆栈中的最后一个编码器的输出，会送入解码器堆栈中的每一个解码器中。
五、Decoder
解码器的结构与编码器的结构非常类似，但有一些区别。
1、与编码器一样，解码器堆栈中的第一个解码器从嵌入层（词嵌入+位置编码）中接受输入；堆栈中的其他解码器从上一个解码器接受输入。
2、在一个解码器内部，输入首先进入自注意力层，这一层的运行方式与编码器自注意力层的区别在于：
训练过程中，解码器的自注意力层接收整个输出序列。但为了避免在生成每个输出时看到未来的数据（即避免信息泄露），使用所谓的“掩码”技术，确保在生成第 i 个词时，模型只能看到第 1 个到 第 i 个词。
推理过程中，每个时间步的输入，是直到当前时间步所产生的整个输出序列。
3、解码器与编码器的另一个不同在于，解码器有第二个注意层层，即编码器-解码器注意力层 （Encoder-Decoder-attention） 层。其工作方式与自注意力层类似，只是其输入来源有两处：位于其前的自注意力层及解码器堆栈的输出。
4、编码器-解码器注意力层的输出被传入前馈层，然后将其输送至下一个解码器。
5、解码器中的每一个子层，包括自注意力层、编码器-解码器注意力层、前馈层，均由一个残差连接，并进行层规范化。
六、注意力-Attention
在第一部分中，我们谈到了为什么在注意力机制是如此重要。Transformer 中，注意力被用在三个地方：
1、Encoder 中的 Self-attention：输入序列对自身的注意力计算；
2、Decoder 中的 Self-attention：目标序列对自身的注意力计算；
3、Decoder 中的Encoder-Decoder-attention：目标序列对输入序列的注意力计算。
注意力层通过三个参数进行计算，这三个参数称为查询（Query）、键（Key）和值（Value）：
1、在 Encoder 中的 Self-attention，编码器的输入与相应的参数矩阵相乘，得到Query、Key 和 Value三个参数。
2、在 Decoder 中的 Self-attention，解码器的输入通过相同的方式得到 Query、Key 和 Value。
3、在解码器的 Encoder-Decoder-attention中，编码器堆栈中最后一个编码器的输出被传递给 Value 和 Key参数。位于 Encoder-Decoder-attention的 Self-attention 和 Layer Norm 模块的输出被传递给 Query 参数。
七、多头注意力（Multi-head Attention）
Transformer 将每个注意力计算单元称为注意力头（Attention Head ）。多个注意力头并行运算，即所谓的多头注意力：Multi-head Attention。它通过融合几个相同的注意力计算，使注意力计算具有更强大的分辨能力。
通过每个独立线性层自己的权重参数，即 Query, Key 和 Value，与输入进行矩阵乘法运算，得到 Q、K、V。这些结果通过如下所示的注意力公式组合在一起，产生注意力分数（Attention Score）。
需要注意的重要一点是，Q、K、V 的值是对序列中每个词的编码表示。注意力计算将每个词与序列中的其他词联系起来，这样注意力分数就为序列中的每个词编码了一个分数。
八、注意力掩码（Attention Masks）
在计算 Attention Score 的同时，Attention 模块应用了一个掩码操作。掩码操作有两个目的：
在 Encoder Self-attention 和 Encoder-Decoder-attention 中：掩码的作用是，在输入序列 padding对应的位置，将输出的注意力分数（Attention Score）归零，以确保 padding 对 Self-attention 的计算没有贡献。
padding 的作用：由于输入序列可能有不同的长度，因此会像大多数 NLP 方法一样，使用 padding 作为填充标记，以得到固定长度的向量，从而可以将一个样本的序列作为矩阵被输入到 Transform 中。
当计算注意力分数（Attention Score）时，在 Softmax 计算之前的分子上进行了掩码。被屏蔽的元素（白色方块）设置为负无穷大，这样Softmax就会把这些值变成零。
对 padding 掩码操作的图示：
Encoder-Decoder-attention 中的掩码操作也是这样：
在 Decoder 中的 Self-attention 中：掩蔽的作用是，防止解码器在当前时间步预测时 ，"偷看 "目标句余下几个时间步的部分：
解码器处理源序列 source sequence中的单词，并利用它们来预测目标序列中的单词。训练期间，这个过程是通过 Teacher Forcing 进行的，完整的目标序列被作为解码器的输入。因此，在预测某个位置的词时，解码器可以使用该词之前的目标词以及该词之后的目标词。这使得解码器可以通过使用未来 "时间步 "的目标词来 "作弊"。
举例，如下图所示，当预测 "Word3 "时，解码器应该只参考目标词的前三个输入词，而不含第四个单词 "Ketan"。因此， Decoder 中的 Self-attention 掩码操作掩盖了序列中位于当前时间步之后的目标词。
九、产生输出（Generate Output）
解码器堆栈（Decoder stack）中的最后一个解码器（Decoder）将其输出传给输出组件，输出组件将其转换为最终目标句子。
线性层将解码器向量投射到单词分数（Word Scores）中，目标词汇中的每个独特的单词在句子的每个位置都有一个分数值。例如，如果我们的最终输出句子有7个词，而目标西班牙语词汇有10000个独特的词，我们为这7个词中的每一个生成10000个分数值。分数值表示词汇中的每个词在句子的那个位置出现的可能性。
Softmax 层将这些分数变成概率（加起来为1.0）。在每个位置，我们找到概率最高的单词索引（贪婪搜索），然后将该索引映射到词汇表中的相应单词。这些词就构成了 Transformer 的输出序列。
十、训练与损失函数（Training and Loss Function）
训练中使用交叉熵作为损失函数，比较生成的输出概率分布和目标序列。概率分布给出了每个词在该位置出现的概率。
假设我们的目标词汇只包含四个词。我们的目标是产生一个与我们预期的目标序列 "De nada END "相符的概率分布。
这意味着第一个词位的概率分布中，"De "的概率应该是1，而词汇中所有其他词的概率都是 0 。同样地，在第二和第三词位中，“nada” 和 “END”的概率应该都是 1，而词汇表中其他词的概率都是 0 。
像往常一样，对损失被计算梯度，通过反向传播来训练模型。