從源碼學(xué)習(xí)Transformer！

重磅干貨，第一時(shí)間送達(dá)

Transformer總體結(jié)構(gòu)

       近幾年NLP領(lǐng)域有了突飛猛進(jìn)的發(fā)展，預(yù)訓(xùn)練模型功不可沒。當(dāng)前利用預(yù)訓(xùn)練模型（pretrain models）在下游任務(wù)中進(jìn)行fine-tune，已經(jīng)成為了大部分NLP任務(wù)的固定范式。Transformer摒棄了RNN的序列結(jié)構(gòu)，完全采用attention和全連接，嚴(yán)格來說不屬于預(yù)訓(xùn)練模型。但它卻是當(dāng)前幾乎所有pretrain models的基本結(jié)構(gòu)，為pretrain models打下了堅(jiān)實(shí)的基礎(chǔ)，并逐步發(fā)展出了transformer-XL，reformer等優(yōu)化架構(gòu)。本文結(jié)合論文和源碼，對transformer基本結(jié)構(gòu)，進(jìn)行詳細(xì)分析。

Transformer是谷歌在2017年6月提出，發(fā)表在NIPS2017上。論文地址

Attention Is All You Needarxiv.org

分析的代碼為Harvardnlp的代碼，基于PyTorch， 地址

annotated-transformergithub.com

Transformer主體框架是一個(gè)encoder-decoder結(jié)構(gòu)，去掉了RNN序列結(jié)構(gòu)，完全基于attention和全連接。在WMT2014英語翻譯德語任務(wù)上，bleu值達(dá)到了28.4，達(dá)到當(dāng)時(shí)的SOTA。其總體結(jié)構(gòu)如下所示

總體為一個(gè)典型的encoder-decoder結(jié)構(gòu)。代碼如下

# 整個(gè)模型入口
def make_model(src_vocab, tgt_vocab, N=6, 
               d_model=512, d_ff=2048, h=8, dropout=0.1):
    "Helper: Construct a model from hyperparameters."
    c = copy.deepcopy

    # multiHead attention
    attn = MultiHeadedAttention(h, d_model)

    # feed-forward
    ff = PositionwiseFeedForward(d_model, d_ff, dropout)

    # position-encoding
    position = PositionalEncoding(d_model, dropout)

    # 整體為一個(gè)encoder-decoder
    model = EncoderDecoder(
        # encoder編碼層
        Encoder(EncoderLayer(d_model, c(attn), c(ff), dropout), N),

        # decoder解碼層
        Decoder(DecoderLayer(d_model, c(attn), c(attn), c(ff), dropout), N),

        # 編碼層輸入，輸入語句進(jìn)行token embedding和position embedding
        nn.Sequential(Embeddings(d_model, src_vocab), c(position)),

        # 解碼層輸入，同樣需要做token embedding和position embedding
        nn.Sequential(Embeddings(d_model, tgt_vocab), c(position)),

        # linear + softmax，查找vocab中概率最大的字
        Generator(d_model, tgt_vocab))
    
    # This was important from their code.
    # Initialize parameters with Glorot / fan_avg.
    for p in model.parameters():
        if p.dim() > 1:
            nn.init.xavier_uniform(p)
    return model

make_model為Transformer模型定義的入口，它先定義了multi-head attention、feed-forward、position-encoding等一系列子模塊，然后定義了一個(gè)encoder-decoder結(jié)構(gòu)并返回。下面來看encoder-decoder定義。

class EncoderDecoder(nn.Module):
    """
    一個(gè)標(biāo)準(zhǔn)的encoder和decoder框架，可以自定義embedding、encoder、decoder等
    """
    def __init__(self, encoder, decoder, src_embed, tgt_embed, generator):
        super(EncoderDecoder, self).__init__()

        # encoder和decoder通過構(gòu)造函數(shù)傳入，可靈活更改
        self.encoder = encoder
        self.decoder = decoder

        # src和target的embedding，也是通過構(gòu)造函數(shù)傳入，方便靈活更改
        self.src_embed = src_embed
        self.tgt_embed = tgt_embed

        # linear + softmax
        self.generator = generator
        
    def forward(self, src, tgt, src_mask, tgt_mask):
        "Take in and process masked src and target sequences."
        # 先對輸入進(jìn)行encode，然后再通過decode輸出
        return self.decode(self.encode(src, src_mask), src_mask,
                            tgt, tgt_mask)
    
    def encode(self, src, src_mask):
        # 先對輸入進(jìn)行embedding，然后再經(jīng)過encoder
        return self.encoder(self.src_embed(src), src_mask)
    
    def decode(self, memory, src_mask, tgt, tgt_mask):
        # 先對目標(biāo)進(jìn)行embedding，然后經(jīng)過decoder
        return self.decoder(self.tgt_embed(tgt), memory, src_mask, tgt_mask)

encoder-decoder定義了一個(gè)標(biāo)準(zhǔn)的編碼解碼框架，其中編碼器、解碼器均可以自定義，有很強(qiáng)的泛化能力。模塊運(yùn)行時(shí)會調(diào)用forward函數(shù)，它先對輸入進(jìn)行encode，然后再通過decode輸出。我們就不詳細(xì)展開了。

2 encoder

2.1 encoder定義

encoder分為兩部分

1. 輸入層embedding。輸入層對inputs文本做token embedding，并對每個(gè)字做position encoding，然后疊加在一起，作為最終的輸入。

2. 編碼層encoding。編碼層是多層結(jié)構(gòu)相同的layer堆疊而成。每個(gè)layer又包括兩部分，multi-head self-attention和feed-forward全連接，并在每部分加入了殘差連接和歸一化。

代碼實(shí)現(xiàn)上也驗(yàn)證了這一點(diǎn)。我們看EncoderDecoder類中的encode函數(shù)，它先利用輸入embedding層對原始輸入進(jìn)行embedding，然后再通過編碼層進(jìn)行encoding。

class EncoderDecoder(nn.Module):
    def encode(self, src, src_mask):
        # 先對輸入進(jìn)行embedding，然后再經(jīng)過encoder
        return self.encoder(self.src_embed(src), src_mask)

2.2 輸入層embedding

原始文本經(jīng)過embedding層進(jìn)行向量化，它包括token embedding和position embedding兩層。

2.2.1 token embedding

token embedding對文本進(jìn)行向量化，一般來說有兩種方式

1. 采用固定詞向量，比如利用Word2vec預(yù)先訓(xùn)練好的。這種方式是LSTM時(shí)代常用的方式，比較簡單省事，無需訓(xùn)練。但由于詞向量是固定的，不能解決一詞多義的問題，詞語本身也不是contextual的，沒有結(jié)合上下文語境信息，另外對于不在詞向量中的詞語，比如特定領(lǐng)域詞語或者新詞，容易出現(xiàn)OOV問題。

2. 隨機(jī)初始化，然后訓(xùn)練。這種方式比較麻煩，需要大規(guī)模訓(xùn)練語料，但能解決固定詞向量的一系列問題。Transformer采用了這種方式。

另外，基于Transformer的BERT模型在中文處理時(shí)，直接基于字做embedding，優(yōu)點(diǎn)有

1. 無需分詞，故不會引入分詞誤差。事實(shí)上，只要訓(xùn)練語料充分，模型自然就可以學(xué)到分詞信息了。

2. 中文字個(gè)數(shù)固定，不會導(dǎo)致OOV問題

3. 中文字相對詞，數(shù)量少很多，embedding層參數(shù)大大縮小，減小了模型體積，并加快了訓(xùn)練速度。

事實(shí)上，就算在LSTM時(shí)代，很多case中，我們也碰到過基于字的embedding的效果比基于詞的要好一些。

class Embeddings(nn.Module):
    # token embedding，隨機(jī)初始化訓(xùn)練，然后查表找到每個(gè)字的embedding
    def __init__(self, d_model, vocab):
        super(Embeddings, self).__init__()
        # 構(gòu)建一個(gè)隨機(jī)初始化的詞向量表，[vocab_size, d_model]。bert中的設(shè)置為[21128, 768]
        self.lut = nn.Embedding(vocab, d_model)
        self.d_model = d_model

    def forward(self, x):
        # 從詞向量表中查找字對應(yīng)的embedding向量
        return self.lut(x) * math.sqrt(self.d_model)

由代碼可見，Transformer采用的是隨機(jī)初始化，然后訓(xùn)練的方式。詞向量維度為[vocab_size, d_model]。例如BERT中為[21128, 768]，參數(shù)量還是很大的。ALBert針對embedding層進(jìn)行矩陣分解，大大減小了embedding層體積。

2.2.2 position encoding

首先一個(gè)問題，為啥要進(jìn)行位置編碼呢。原因在于self-attention，將任意兩個(gè)字之間距離縮小為1，丟失了字的位置信息，故我們需要加上這一信息。我們也可以想到兩種方法

1. 固定編碼。Transformer采用了這一方式，通過奇數(shù)列cos函數(shù)，偶數(shù)列sin函數(shù)方式，利用三角函數(shù)對位置進(jìn)行固定編碼。

2. 動態(tài)訓(xùn)練。BERT采用了這種方式。先隨機(jī)初始化一個(gè)embedding table，然后訓(xùn)練得到table 參數(shù)值。predict時(shí)通過embedding_lookup找到每個(gè)位置的embedding。這種方式和token embedding類似。

哪一種方法好呢？個(gè)人以為各有利弊

1. 固定編碼方式簡潔，不需要訓(xùn)練。且不受embedding table維度影響，理論上可以支持任意長度文本。（但要盡量避免預(yù)測文本很長，但訓(xùn)練集文本較短的case）

2. 動態(tài)訓(xùn)練方式，在語料比較大時(shí)，準(zhǔn)確度比較好。但需要訓(xùn)練，且最致命的是，限制了輸入文本長度。當(dāng)文本長度大于position embedding table維度時(shí)，超出的position無法查表得到embedding（可以理解為OOV了）。這也是為什么BERT模型文本長度最大512的原因。

class PositionalEncoding(nn.Module):
    # 位置編碼。transformer利用編碼方式實(shí)現(xiàn)，無需訓(xùn)練。bert則采用訓(xùn)練embedding_lookup方式
    # 編碼方式文本語句長度不受限，但準(zhǔn)確度不高
    # 訓(xùn)練方式文本長度會受position維度限制（這也是為什么bert只能處理最大512個(gè)字原因），但訓(xùn)練數(shù)據(jù)多時(shí)，準(zhǔn)確率高
    def __init__(self, d_model, dropout, max_len=5000):
        super(PositionalEncoding, self).__init__()
        self.dropout = nn.Dropout(p=dropout)
        
        # 采用sin和cos進(jìn)行position encoding
        pe = torch.zeros(max_len, d_model)
        position = torch.arange(0, max_len).unsqueeze(1)
        div_term = torch.exp(torch.arange(0, d_model, 2) *
                             -(math.log(10000.0) / d_model))
        pe[:, 0::2] = torch.sin(position * div_term)        # 偶數(shù)列
        pe[:, 1::2] = torch.cos(position * div_term)        # 奇數(shù)列
        pe = pe.unsqueeze(0)
        self.register_buffer('pe', pe)
        
    def forward(self, x):
        # token embedding和position encoding加在一起
        x = x + Variable(self.pe[:, :x.size(1)], 
                         requires_grad=False)
        return self.dropout(x)

由代碼可見，position encoding直接采用了三角函數(shù)。對偶數(shù)列采用sin，奇數(shù)列采用cos。

Encoder層是Transformer的核心，它由N層相同結(jié)構(gòu)的layer（默認(rèn)6層）堆疊而成。

class Encoder(nn.Module):
    "Core encoder is a stack of N layers"
    def __init__(self, layer, N):
        super(Encoder, self).__init__()
        # N層堆疊而成，每一層結(jié)構(gòu)都是相同的，訓(xùn)練參數(shù)不同
        self.layers = clones(layer, N)

        # layer normalization
        self.norm = LayerNorm(layer.size)
        
    def forward(self, x, mask):
        # 1 經(jīng)過N層堆疊的multi-head attention + feed-forward
        for layer in self.layers:
            x = layer(x, mask)

        # 2 對encoder最終輸出結(jié)果進(jìn)行l(wèi)ayer-norm歸一化。層間和層內(nèi)子模塊都做過 add + dropout + layer-norm
        return self.norm(x)

encoder的定義很簡潔。先經(jīng)過N層相同結(jié)構(gòu)的layer，然后再進(jìn)行歸一化輸出。重點(diǎn)我們來看layer的定義。

class EncoderLayer(nn.Module):
    "Encoder is made up of self-attn and feed forward (defined below)"
    def __init__(self, size, self_attn, feed_forward, dropout):
        super(EncoderLayer, self).__init__()
        # 1 self_attention
        self.self_attn = self_attn

        # 2 feed_forward
        self.feed_forward = feed_forward

        # 3 殘差連接。encoder和decoder，每層結(jié)構(gòu)，每個(gè)子結(jié)構(gòu)，都有殘差連接。
        # add + drop-out + layer-norm
        self.sublayer = clones(SublayerConnection(size, dropout), 2)
        self.size = size

    def forward(self, x, mask):
        # 經(jīng)過self_attention, 然后和輸入進(jìn)行add + layer-norm
        x = self.sublayer[0](x, lambda x: self.self_attn(x, x, x, mask))

        # 經(jīng)過feed_forward， 此模塊也有add + layer-norm
        return self.sublayer[1](x, self.feed_forward)

encoder layer分為兩個(gè)子模塊

1. self attention, 并對輸入attention前的和經(jīng)過attention輸出的，做殘差連接。殘差連接先經(jīng)過layer-norm歸一化，然后進(jìn)行dropout，最后再做add。后面我們詳細(xì)分析

2. feed-forward全連接，也有殘差連接的存在，方式和self attention相同。

2.3.1 MultiHeadedAttention

MultiHeadedAttention采用多頭self-attention。它先將隱向量切分為h個(gè)頭，然后每個(gè)頭內(nèi)部進(jìn)行self-attention計(jì)算，最后再concat再一起。

代碼如下

class MultiHeadedAttention(nn.Module):
    def __init__(self, h, d_model, dropout=0.1):
        super(MultiHeadedAttention, self).__init__()
        assert d_model % h == 0
        # d_model為隱層維度，也是embedding的維度，h為多頭個(gè)數(shù)。
        # d_k為每個(gè)頭的隱層維度，要除以多頭個(gè)數(shù)。也就是加入了多頭，總隱層維度不變。
        self.d_k = d_model // h
        self.h = h

        # 線性連接
        self.linears = clones(nn.Linear(d_model, d_model), 4)
        self.attn = None
        self.dropout = nn.Dropout(p=dropout)
        
    def forward(self, query, key, value, mask=None):
        if mask is not None:
            # 輸入mask，在decoder的時(shí)候有用到。decode時(shí)不能看到要生成字之后的字，所以需要mask
            mask = mask.unsqueeze(1)
        nbatches = query.size(0)
        
        # 1) q, k, v形狀變化，加入多頭， [batch, L, d_model] => [batch, h, L, d_model/h]
        query, key, value = [l(x).view(nbatches, -1, self.h, self.d_k).transpose(1, 2)
             for l, x in zip(self.linears, (query, key, value))]
        
        # 2) attention計(jì)算
        x, self.attn = attention(query, key, value, mask=mask, 
                                 dropout=self.dropout)
        
        # 3) 多頭結(jié)果concat在一起，還原為初始形狀
        x = x.transpose(1, 2).contiguous().view(nbatches, -1, self.h * self.d_k)

        # 4）最后經(jīng)過一個(gè)線性層
        return self.linears[-1](x)

下面重點(diǎn)來看單個(gè)頭的self-attention。也就是論文中的“Scaled Dot-Product Attention”。attention本質(zhì)上是一個(gè)向量的加權(quán)求和。它探討的是每個(gè)位置對當(dāng)前位置的貢獻(xiàn)。步驟如下

1. q向量和每個(gè)位置的k向量計(jì)算點(diǎn)積，然后除以向量長度的根號。計(jì)算點(diǎn)積可以認(rèn)為是進(jìn)行權(quán)重計(jì)算。除以向量長度原因是向量越長，q*k值理論上會越大，故需要在向量長度上做歸一化。

2. attention-mask。mask和輸入矩陣shape相同，mask矩陣中值為0位置對應(yīng)的輸入矩陣的值更改為-1e9，一個(gè)非常非常小的數(shù)，經(jīng)過softmax后趨近于0。decoder中使用了mask，后面我們詳細(xì)分析。

3. softmax歸一化，使得q向量和每個(gè)位置的k向量的score分布到（0, 1）之間

4. 加權(quán)系數(shù)乘以每個(gè)位置v向量，然后加起來。

公式如下：

代碼如下

def attention(query, key, value, mask=None, dropout=None):
    # attention計(jì)算，self_attention和soft-attention都是使用這個(gè)函數(shù)
    # self-attention, q k v 均來自同一文本。要么是encoder，要么是decoder
    # soft-attention, q來自decoder，k和v來自encoder，從而按照decoder和encoder相關(guān)性，將encoder信息融合進(jìn)來
    d_k = query.size(-1)

    # 利用q * k計(jì)算兩向量間相關(guān)度，相關(guān)度高則權(quán)重大。
    # 除以根號dk的原因是，對向量長度進(jìn)行歸一化。q和k的向量長度越長，q*k的值越大
    scores = torch.matmul(query, key.transpose(-2, -1)) / math.sqrt(d_k)

    # attention-mask，將 mask中為1的 元素所在的索引，在a中相同的的索引處替換為 value
    if mask is not None:
        scores = scores.masked_fill(mask == 0, -1e9)

    # softmax歸一化
    p_attn = F.softmax(scores, dim = -1)

    # dropout
    if dropout is not None:
        p_attn = dropout(p_attn)

    # 最后利用歸一化后的加權(quán)系數(shù)，乘以每一個(gè)v向量，再加和在一起，作為attention后的向量。每個(gè)字對應(yīng)一個(gè)向量
    return torch.matmul(p_attn, value), p_attn

self-attention和soft-attention共用了這個(gè)函數(shù)，他們之間的唯一區(qū)別是q k v向量的來源不同。self-attention中q k v 均來自同一文本。而decoder的soft-attention，q來自于decoder，k和v來自于encoder。它體現(xiàn)的是encoder對decoder的加權(quán)貢獻(xiàn)。

2.3.2 PositionwiseFeedForward

feed-forward本質(zhì)是一個(gè)兩層的全連接，全連接之間加入了relu非線性和dropout。比較簡單，代碼如下

class PositionwiseFeedForward(nn.Module):
    # 全連接層
    def __init__(self, d_model, d_ff, dropout=0.1):
        super(PositionwiseFeedForward, self).__init__()
        # 第一層全連接  [d_model, d_ff]
        self.w_1 = nn.Linear(d_model, d_ff)

        # 第二層全連接 [d_ff, d_model]
        self.w_2 = nn.Linear(d_ff, d_model)

        # dropout
        self.dropout = nn.Dropout(dropout)

    def forward(self, x):
        # 全連接1 -> relu -> dropout -> 全連接2
        return self.w_2(self.dropout(F.relu(self.w_1(x))))

總體過程是：全連接1 -> relu -> dropout -> 全連接2。兩層全連接內(nèi)部沒有shortcut，這兒不要搞混了。

2.3.3 SublayerConnection

在每層的self-attention和feed-forward模塊中，均應(yīng)用了殘差連接。殘差連接先對輸入進(jìn)行l(wèi)ayerNorm歸一化，然后送入attention或feed-forward模塊，然后經(jīng)過dropout，最后再和原始輸入相加。這樣做的好處是，讓每一層attention和feed-forward模塊的輸入值，均是經(jīng)過歸一化的，保持在一個(gè)量級上，從而可以加快收斂速度。

class SublayerConnection(nn.Module):
    """
    A residual connection followed by a layer norm.
    Note for code simplicity the norm is first as opposed to last.
    """
    def __init__(self, size, dropout):
        super(SublayerConnection, self).__init__()
        # layer-norm 歸一化
        self.norm = LayerNorm(size)

        # dropout
        self.dropout = nn.Dropout(dropout)

    def forward(self, x, sublayer):
        # 先對輸入進(jìn)行l(wèi)ayer-norm, 然后經(jīng)過attention等相關(guān)模塊，再經(jīng)過dropout，最后再和輸入相加
        return x + self.dropout(sublayer(self.norm(x)))

從forward函數(shù)可見，先對輸入進(jìn)行l(wèi)ayer-norm, 然后經(jīng)過attention等相關(guān)模塊，再經(jīng)過dropout，最后再和輸入相加。殘差連接的作用就不說了，參考ResNet。

3 decoder

decoder結(jié)構(gòu)和encoder大體相同，也是堆疊了N層相同結(jié)構(gòu)的layer（默認(rèn)6層）。不同的是，decoder的每個(gè)子層包括三層。

1. masked multi-head self-attention。這一部分和encoder基本相同，區(qū)別在于decoder為了保證模型不能看見要預(yù)測字的后面位置的字，加入了mask，從而避免未來信息的穿越問題。mask為一個(gè)上三角矩陣，上三角全為1，下三角和對角線全為0

2. multi-head soft-attention。soft-attention和self-attention結(jié)構(gòu)基本相同，甚至實(shí)現(xiàn)函數(shù)都是同一個(gè)。唯一的區(qū)別在于，self-attention的q k v矩陣來自同一個(gè)，所以叫self-attention。而soft-attention的q來自decoder，k和v來自encoder。表征的是encoder的整體輸出對于decoder的貢獻(xiàn)。

3. feed-forward。這一塊基本相同。

另外三個(gè)模塊均使用了殘差連接，步驟仍然為 layerNorm -> attention等模塊 -> dropout -> 和輸入進(jìn)行add decoder每個(gè)layer代碼如下

class DecoderLayer(nn.Module):
    "Decoder is made of self-attn, src-attn, and feed forward (defined below)"
    def __init__(self, size, self_attn, src_attn, feed_forward, dropout):
        super(DecoderLayer, self).__init__()
        self.size = size

        # self-attention 自注意力
        self.self_attn = self_attn

        # soft-attenton, encoder的輸出對decoder的作用
        self.src_attn = src_attn

        # feed-forward 全連接
        self.feed_forward = feed_forward

        # 殘差連接
        self.sublayer = clones(SublayerConnection(size, dropout), 3)
 
    def forward(self, x, memory, src_mask, tgt_mask):
        # memory為encoder最終輸出
        m = memory

        # 1 對decoder輸入做self-attention, 再和輸入做殘差連接
        x = self.sublayer[0](x, lambda x: self.self_attn(x, x, x, tgt_mask))

        # 2 對encoder輸出和decoder當(dāng)前進(jìn)行soft-attention，此處也有殘差連接
        x = self.sublayer[1](x, lambda x: self.src_attn(x, m, m, src_mask))

        # 3 feed-forward全連接，也有殘差連接
        return self.sublayer[2](x, self.feed_forward)

4 輸出層

decoder的輸出作為最終輸出層的輸入，經(jīng)過兩步

1. linear線性連接，也即是w * x + b

2. softmax歸一化，向量長度等于vocabulary的長度，得到vocabulary中每個(gè)字的概率。利用beam-search等方法，即可得到生成結(jié)果。

這一層比較簡單，代碼如下

class Generator(nn.Module):
    "Define standard linear + softmax generation step."
    def __init__(self, d_model, vocab):
        super(Generator, self).__init__()
        self.proj = nn.Linear(d_model, vocab)

    def forward(self, x):
        # 先經(jīng)過linear線性層，然后經(jīng)過softmax得到歸一化概率分布
        # 輸出向量長度等于vocabulary的維度
        return F.log_softmax(self.proj(x), dim=-1)

5 總結(jié)

Transformer相比LSTM的優(yōu)點(diǎn)

1. 完全的并行計(jì)算，Transformer的attention和feed-forward，均可以并行計(jì)算。而LSTM則依賴上一時(shí)刻，必須串行

2. 減少長程依賴，利用self-attention將每個(gè)字之間距離縮短為1，大大緩解了長距離依賴問題

3. 提高網(wǎng)絡(luò)深度。由于大大緩解了長程依賴梯度衰減問題，Transformer網(wǎng)絡(luò)可以很深，基于Transformer的BERT甚至可以做到24層。而LSTM一般只有2層或者4層。網(wǎng)絡(luò)越深，高階特征捕獲能力越好，模型performance也可以越高。

4. 真正的雙向網(wǎng)絡(luò)。Transformer可以同時(shí)融合前后位置的信息，而雙向LSTM只是簡單的將兩個(gè)方向的結(jié)果相加，嚴(yán)格來說仍然是單向的。

5. 可解釋性強(qiáng)。完全基于attention的Transformer，可以表達(dá)字與字之間的相關(guān)關(guān)系，可解釋性更強(qiáng)。

Transformer也不是一定就比LSTM好，它的缺點(diǎn)如下

1. 文本長度很長時(shí)，比如篇章級別，計(jì)算量爆炸。self-attention的計(jì)算量為O(n^2), n為文本長度。Transformer-xl利用層級方式，將計(jì)算速度提升了1800倍

2. Transformer位置信息只靠position encoding，效果比較一般。當(dāng)語句較短時(shí)，比如小于10個(gè)字，Transformer效果不一定比LSTM好

3. Transformer參數(shù)量較大，在大規(guī)模數(shù)據(jù)集上，效果遠(yuǎn)好于LSTM。但在小規(guī)模數(shù)據(jù)集上，如果不是利用pretrain models，效果不一定有LSTM好。

下載1：OpenCV-Contrib擴(kuò)展模塊中文版教程

交流群

歡迎加入公眾號讀者群一起和同行交流，目前有SLAM、三維視覺、傳感器、自動駕駛、計(jì)算攝影、檢測、分割、識別、醫(yī)學(xué)影像、GAN、算法競賽等微信群（以后會逐漸細(xì)分），請掃描下面微信號加群，備注：”昵稱+學(xué)校/公司+研究方向“，例如：”張三 + 上海交大 + 視覺SLAM“。請按照格式備注，否則不予通過。添加成功后會根據(jù)研究方向邀請進(jìn)入相關(guān)微信群。請勿在群內(nèi)發(fā)送廣告，否則會請出群，謝謝理解~