Attention Is All You Need
2018-04-17 10:35:25
Paper：
Code（PyTorch Version）：
Video Tutorial:
另一个不错的关于这个文章的 Blog：
1. Introduction:
现有的做 domain translation 的方法大部分都是基于 encoder-decoder framework，取得顶尖性能的框架也都是 RNN + Attention Mechanism 的思路。而本文别出心裁，仅仅依赖于 attention 机制，就可以做到很好的性能，并且，这种方法并适用于并行（parallelization）。
2. Model Architecture:
大部分神经序列转换模型（neural sequence transduction models）都有 encoder-decoder structure。此处，encoder 将输入的序列（x1, x2, ... , xn）转换为连续的表示 z = (z1, z2, ..., zn)。给定 z，decoder 然后每一输出一个元素，构成了序列 (y1, y2, ... , ym)。在每一个时间步骤，该模型是 auto-regressive，当产生下一个输出时，会使用上一个时刻产生的符号作为额外的输入（consuming the previously generated symbols as additional input when generating the next）。
2.1 Encoder and Decoder Stacks :
Encoder：encoder 是由 6 个相同的 layer 堆叠起来的。每一个 layer 包括 两个 sub-layers：
第一个是：mutli-head self-attention mechanism ;
第二个是：position-wise fully connected feed-forward network.
每一个这样的 two sub-layers 附近都会用上 residual connection，然后加上 layer normalization。
Decoder：decoder 也有 6 层，不同的是：decoder layer 中包含 3个 sub-layers, which performs multi-head attention over the output of the encoder stack. 类似于 the encoder，我们采用 residual connections，followed by layer normalization. 我们也修改了 the self-attention sub-layer in the decoder。这个 masking，结合了这么一个事实：the output embeddings are offset by one position, 确保对于位置 i 的预测可以仅仅依赖于 the known outputs at positions less than i （less than i 是什么意思？？？）. This maksing, combined with fact that the output embeddings are offset by one position, ensures that the predictions for position i can depend only on the known outputs at positions less than i.
2.2 Attention :
An attention function can be described as mapping a query and a set of key-value pairs to an output, where the query, keys, values, and output are all vectors. 输出可以看做是 the values 的加权组合，给每一个 value 的加权可以计算为：a compatibility function of the query with the corresponding key.
2.2.1 Scaled Dot-Product Attention
我们称我们特定的 attention 为：“Scaled Dot-Product Attention”。输入包括：queries and keys of dimension $d_k$, and values of dimension $d_v$。我们计算 the dot products of the query with all keys, divide each by 
and apply a softmax function to obtain the weights on the values.
实际上，我们同时在一个 queries 的集合上计算 attention function，将其打包为 a matrix Q。The keys and values 也被打包为：K and V. 我们计算输出的矩阵为：
两个最常用的 attention functions 是：additive attention，and dot-product (multiplicative) attention.
2.2.2 Multi-Head Attention
用 $d_{model}-dimensional$ keys, values and queries，我们发现：it is beneficial to linearly project the queries, keys and values h times with different, learned linear projections to dk, dk and dv dimensions, respectively. 在每一个这些投影的版本，我们然后并行的执行 attention function，产生 dv-dimensional 的输出 values。这些东西组合起来，然后再次投影，得到最终的 values，如图2所示。
Multi-head attention allows the model to jointly attend to information from different reprentation subspaces at different positions. With a single attention head, averaging inhibits this.
本文才用 h=8 并行的 attention layers，or heads.
2.2.3 Applications of Attention in our Model :
2.3 Position-wise Feed-Forward Networks
除了 attention sub-layers, 我们 encoder and decoder 的每一层都包含一个全连接的 feed-forward network, 单独且平等的适用于每一个位置。这包含：two linear transformations with a ReLU activation in between:
2.4 Embeddings and Softmax
和其他序列转换模型一样，我们利用学习到的 embeddings 来转换输入的符号，然后输出符号为维度是 $d_{model}$ 的向量。
2.5 Positional Encoding
由于我们的模型没有任何 recurrence 和 convolution，为了使得模型充分利用 sequence 的序列信息，我们必须注入相对或者绝对位置的信息。因此，我们将 “Positional encoding” to the input embeddings at the bottoms of the encoder and decoder stacks. 位置编码和 embeddings 有相同的维度，所以这两个东西可以相加起来。
本文我们采用 sine and cosine functions of different frequencies:
其中，pos 是 位置，i 是维度。
