【深度学习】11. Transformer解析： Self-Attention、ELMo、Bert、GPT

Transformer 神经网络

Self-Attention 的提出动机

传统的循环神经网络（RNN）处理序列信息依赖时间步的先后顺序，无法并行，而且在捕捉长距离依赖关系时存在明显困难。为了解决这些问题，Transformer 引入了 Self-Attention（自注意力） 机制，彻底摆脱了循环结构。

核心思想是：

• 输入序列中的每个位置都可以同时关注其他所有位置的信息
• 依赖“注意力权重”来决定每个位置对其他位置的依赖程度

这项机制的提出奠定了后续 GPT、BERT 等大型语言模型的基础，其口号正是：

Attention is all you need.

Self-Attention 的基本形式

输入序列为 $x_1,x_2,x_3,x_4$，我们首先将其映射为特征表示 $a_1,a_2,a_3,a_4$。

然后，为了执行注意力计算，每个位置的表示 $a_i$ 会被分别映射成三个向量：

• 查询向量（Query）：$q_i=W_Q{a}_i$
• 键向量（Key）：$k_i=W_K{a}_i$
• 值向量（Value）：$v_i=W_V{a}_i$

这些向量的作用分别是：

• $q$：表示当前要“提问”的内容（to match others）
• $k$：表示其他位置的信息索引（to be matched）
• $v$：表示其他位置的具体内容信息（information to be extracted）

这些投影矩阵 $W_Q,W_K,W_V$ 都是可训练参数。

Scaled Dot-Product Attention 计算过程

对于每一个查询 $q_i$，我们计算它与序列中每一个键 $k_j$ 的相似度：

$${\alpha }_{i,j}=\frac{q_i^{\top }{k}_j}{\sqrt{d}}$$

其中 $d$ 是向量的维度，用 $\sqrt{d}$ 来进行缩放，防止 dot product 值过大。

然后对所有 ${\alpha }_{i,j}$ 做 softmax，得到归一化注意力分布：

$$\text{softmax}({\alpha }_{i,1},{\alpha }_{i,2},...,{\alpha }_{i,n})$$

最后，用这些权重对值向量 $v_j$ 加权求和，得到当前输出表示 $b_i$：

$$b_i=\sum _j\text{softmax}({\alpha }_{i,j})\cdot v_j$$

这种机制允许模型根据输入内容自适应地提取相关信息。

Self-Attention 的并行优势

由于 self-attention 的所有位置间的权重可以同时计算，因此整个计算过程高度并行化，不再像 RNN 那样必须按序列顺序逐步执行。

这一优势为 Transformer 模型带来了巨大的训练速度提升和更强的长距离建模能力。

Self-Attention 结构矩阵形式

将所有 $a_i$ 构成矩阵 $A$ 后，统一投影为 $Q=A{W}_Q$, $K=A{W}_K$, $V=A{W}_V$。

注意力输出矩阵表示为：

$$\text{Attention}(Q,K,V)=\text{softmax}\left(\frac{Q{K}^{\top }}{\sqrt{d}}\right)V$$

这种矩阵形式便于实现多头注意力机制（Multi-head Attention）。

多头注意力机制（Multi-head Self-Attention）

在基础的 Self-Attention 结构中，所有位置的注意力都是通过一组 $W_Q,W_K,W_V$ 矩阵计算的。为了增强模型的表达能力，Transformer 引入了**多头注意力（Multi-head Attention）**机制。

基本思想是：

• 不止使用一组查询/键/值矩阵，而是使用多个不同的投影子空间
• 每个头（head）有独立的 $W_Q^{(h)},W_K^{(h)},W_V^{(h)}$
• 每个头计算一个独立的 Attention 输出，然后将所有头的输出拼接后，再通过线性变换整合

多头计算公式：

设有 $h$ 个头，每个头输出 $b^{(i)}$，则：

$$\text{MultiHead}(Q,K,V)=\text{Concat}(b^{(1)},b^{(2)},...,b^{(h)})W^O$$

其中 $W^O$ 是最终输出线性层的权重。

这种结构的优势在于：

• 每个头可以捕捉不同维度、不同位置之间的依赖关系
• 实现信息多角度理解，提升模型表示能力

位置编码（Positional Encoding）

由于 Transformer 完全抛弃了 RNN 的序列性结构，模型本身不具备位置感知能力，因此需要通过显式地添加**位置编码（Positional Encoding）**来注入顺序信息。

原理

对于输入序列 $x_1,x_2,...,x_n$，我们给每个位置添加一个位置向量 $p_i$，得到输入表示：

$$a_i=x_i+p_i$$

原论文中的位置编码设计为：

$$PE(i,2j)=\sin \left(\frac{i}{10000^{2j/d}}\right)$$

$$PE(i,2j+1)=\cos \left(\frac{i}{10000^{2j/d}}\right)$$

其中 $i$ 是位置索引，$j$ 是维度索引，$d$ 是维度总数。

该方法具有以下优点：

• 每个位置对应的编码唯一
• 可以推广到任意序列长度
• 可以通过位置间的函数关系捕捉相对距离

编码器 - 解码器结构

Transformer 模型整体结构为 Encoder-Decoder 框架：

• Encoder：由若干层 Self-Attention 和前馈网络（Feed-Forward）组成
• Decoder：在 Encoder 基础上引入 Masked Self-Attention，以防止看到未来的词

每一层都包含：

1. 多头注意力层
2. 残差连接 + 层归一化（Layer Normalization）
3. 前馈全连接层（Feed-Forward Network）

Encoder 和 Decoder 都堆叠多层（如 6 层）构成深度网络。

解码器中的 Masked Self-Attention

在解码器中，为了保证生成过程的自回归特性，我们使用 Masking 机制屏蔽掉当前词右侧的词：

• 即 $y_3$ 只能看到 $y_1,y_2$
• 实现方法：将未来位置的 attention score 设置为 $-\infty$

这样可以确保每个位置只能访问“过去的词”。

Layer Normalization 和残差连接

在每个子层（如 Attention 或 Feed-Forward）之后，Transformer 都加入了：

• 残差连接（Residual Connection）：
  $$\text{Output}=\text{LayerNorm}(x+\text{Sublayer}(x))$$

• 层归一化（LayerNorm）：标准化子层输出，稳定训练

这种结构让深层网络训练更加稳定，并避免信息在深层网络中衰减。

总结

Transformer 通过以下关键组件实现了对序列的建模：

• 自注意力机制：实现信息全局交互
• 多头注意力：提高表达维度
• 位置编码：引入序列顺序
• 残差连接 + LayerNorm：提升训练效率
• 并行结构：大幅提高计算效率

这些设计使得 Transformer 成为大规模语言建模的核心骨架。

ELMo：上下文词表示的革命性模型

本教程将详细介绍 ELMo（Embeddings from Language Models）模型的提出背景、结构原理、数学表达、实际应用及其对自然语言处理（NLP）领域的深远影响。ELMo 是第一个广泛应用于工业界的上下文词表示方法，在 NLP 中具有划时代的意义。

词向量的背景与局限

在 ELMo 出现之前，词向量的主流方法是 Word2Vec、GloVe 等，这些模型为每个词生成一个固定向量表示，不考虑上下文语义。

例如，词语 “bank” 在下面两个句子中的意思完全不同：

• He sat on the bank of the river.（河岸）
• He deposited money in the bank.（银行）

然而，Word2Vec 或 GloVe 中的 “bank” 向量是唯一的，无法根据上下文调整。

这导致传统词向量在表示歧义词、多义词时存在局限。

ELMo 的基本思想

ELMo（Peters et al., 2018）提出了一种上下文相关的动态词向量表示方法。

其核心思想为：

• 每个词的表示是函数 $f(\text{word},\text{context})$，由所在上下文动态决定；
• 使用**双向语言模型（BiLM）**获得上下文信息；
• 将不同层的表示融合（非简单拼接）。

因此，同一个词在不同句子中的向量将不同，有效捕捉多义词的含义。

模型结构概览

ELMo 基于一个双向 LSTM（bi-LSTM）语言模型，其整体结构如下：

1. 字符级嵌入：使用 CNN 处理每个单词的字符，生成词表示；
2. 双向 LSTM：分别从左到右、从右到左处理句子；
3. 上下文融合：将每层 LSTM 输出进行加权求和，得到最终的 ELMo 向量。

结构流程如下：

• 输入句子 → 字符嵌入（CharCNN）
• → 前向 LSTM + 后向 LSTM
• → 每层输出加权融合
• → 上下文词向量（ELMo 表示）

数学表达与权重组合

ELMo 的词向量是多个 LSTM 层输出的加权和。对第 $k$ 个词，其向量为：

$ELM{o}_k^{task}={\gamma }^{task}{\sum }_{j=0}^L{s}_j^{task}\cdot h_{k,j}$

其中：

• $h_{k,j}$ 表示第 $j$ 层输出（第 0 层为词嵌入，后续为 LSTM 层）；
• $s_j^{task}$ 是 softmax 权重，控制每层贡献度；
• ${\gamma }^{task}$ 是缩放因子，调节整体表示；
• 所有权重是任务相关的，可通过微调学习。

该机制使模型能自动选择更有信息的层级表示，提升下游任务效果。

与 Word2Vec、BERT 的对比

ELMo 是第一个提出将多个语言模型层表示加权组合的思路，直接启发了后续的 BERT、GPT 等模型的层融合机制。

预训练语言模型：BERT 和 GPT

基于 Transformer 架构，涌现出一系列强大的预训练语言模型，它们以不同方式利用 Transformer 的编码器和解码器模块。

BERT（Bidirectional Encoder Representations from Transformers）

BERT 使用 Transformer 的 Encoder 堆叠结构，强调从上下文中双向建模词语含义，其关键特点如下：

• 输入同时包含左右上下文（不像传统语言模型只看左边）
• 适用于句子级别和段落级别的理解任务（如问答、情感分析）

BERT 的输入结构

BERT 输入由三个部分组成：

1. Token Embedding：词语本身的表示
2. Segment Embedding：区分句子 A 和句子 B（用于句对任务）
3. Position Embedding：位置编码

最终输入为三者之和：

$${\text{Input}}_i={\text{Token}}_i+{\text{Segment}}_i+{\text{Position}}_i$$

BERT 的训练任务

BERT 采用两种预训练目标：

• Masked Language Modeling (MLM)：

  • 输入中随机遮蔽一些词（如 15%），模型预测这些被 mask 的词
  • 例如输入 “I have a [MASK] car”，目标是预测 “red”

• Next Sentence Prediction (NSP)：

  • 判断句子 B 是否是句子 A 的下一个句子（用于建模句子间关系）

这种预训练方式使 BERT 能更好地捕捉句子结构与上下文依赖。

GPT（Generative Pre-trained Transformer）

GPT 使用 Transformer 的 Decoder 堆叠结构，强调自回归生成语言，适用于生成类任务，如对话、写作、摘要。

其主要特点：

• 输入为单向序列，预测下一个词
• 无 NSP 任务，专注语言建模

GPT 的每个解码器层使用 Masked Self-Attention，避免泄露未来信息。

GPT 的训练目标

GPT 的训练任务是标准的语言建模目标：

$$\max \sum _t\log P(w_t|w_1,...,w_{t-1})$$

即，给定前面所有词，预测下一个词。

GPT vs BERT 的核心差异

T5：Text-To-Text Transfer Transformer

T5 提出一种统一的 文本到文本 框架，将所有任务（分类、翻译、摘要等）都转换为文本生成问题。

• 输入输出都是文本字符串
• 训练数据包括翻译、问答、情感分类、摘要等任务

T5 的架构

T5 使用标准的 Transformer Encoder-Decoder 结构：

• 编码器读取输入文本
• 解码器逐步生成目标文本

这种设计统一了任务格式，利于大规模预训练与下游迁移。

T5 示例任务：

• 翻译：

  • 输入：translate English to German: That is good.
  • 输出：Das ist gut.

• 分类：

  • 输入：sst2 sentence: This movie is great!
  • 输出：positive

• 摘要：

  • 输入：summarize: The article discusses...
  • 输出：Main idea is...

总结：从 Transformer 到大型语言模型

Transformer 模型的出现彻底改变了 NLP 的范式：从 RNN 到 Attention，从编码器到预训练，从理解到生成，推动了大模型时代的来临。

这一系列模型均依赖 Transformer 架构的强大表达力，通过自注意力机制和深层堆叠结构，成功实现了语言理解与生成的统一建模。