注意力机制和Transformer
机器翻译是NLP领域中最重要的问题之一，也是Google翻译等工具的基础。传统的RNN方法使用两个循环网络实现序列到序列的转换，其中一个网络（编码器）将输入序列转换为隐藏状态，而另一个网络（解码器）则将该隐藏状态解码为翻译结果。但是，这种方法存在两个问题：
- 编码器网络的最终状态难以记住句子开头，导致对于长句子的模型质量较差。
- 序列中的所有单词对结果的影响是相同的，但实际上，输入序列中特定的单词往往对顺序输出的影响大于其他单词。
注意机制
注意机制提供了一种权衡每个输入向量对RNN每个输出预测的上下文影响的方法。具体实现是在输入RNN和输出RNN之间创建快捷方式。这样，在生成输出符号yt时，我们将考虑所有输入隐藏状态hi，具有不同的权重系数αt，i。
注意机制对于NLP的许多当今或即将达到的最新技术水平负有责任。添加注意机制增加了模型参数的数量，这导致了RNN的扩展问题。扩展RNN的关键限制是，模型的循环性质使批处理和并行化训练变得具有挑战性。在RNN中，序列的每个元素都需要按顺序处理，这意味着它不能轻松并行化。
带注意机制的编码器解码器模型
引入注意机制后，结合这个约束，导致了现在我们所知道和使用的Transformer模型的创建，例如BERT到Open-GPT3。
Transformer模型
Transformer的主要思想之一是避免RNN的顺序性并创建一个可在训练期间并行化的模型。这是通过实现两个思想来实现的：位置编码和使用自注意力机制来捕获模式，而不是使用RNN（或CNN）。这就是为什么介绍transformers的论文被称为“Attention is all you need”。
位置编码/嵌入
位置编码的思想是，当使用RNN时，标记的相对位置由步数表示，因此不需要明确表示。但是，一旦我们切换到注意机制，我们需要知道序列中标记的相对位置。为了获得位置编码，我们将标记的序列与序列中的标记位置一起增强（即一系列数字0,1，…）。然后，我们将标记位置与标记嵌入向量混合。为将位置（整数）转换为向量，我们可以使用不同的方法：
- 可训练嵌入，类似于标记嵌入。这是我们在此考虑的方法。我们在标记和它们的位置之上应用嵌入层，得到相同尺寸的嵌入向量，然后将它们相加。
- 固定的位置编码函数，如原始论文中所提出的
多头自注意力
接下来，我们需要捕获序列中的一些模式。为了做到这一点，transformers使用自注意力机制，它本质上是应用于相同的输入和输出序列的注意力机制。应用自注意力使我们能够考虑句子中的上下文，并查看哪些单词是相互关联的。例如，它使我们能够查看哪些单词被指代，以及考虑上下文：
在transformers中，我们使用多头自注意力来使网络能够捕获多种不同类型的依赖关系，例如长期与短期的单词关系，共指与其他关系等。
编码器解码器注意力
在transformers中，注意力应用于两个位置：
- 使用自注意力来捕获输入文本中的模式。
- 执行序列翻译时，它是位于编码器和解码器之间的注意力层。
编码器解码器注意力与RNN中描述的注意力机制非常相似。下面的动画图解释了编码器解码器注意力的作用。
transformer models." />
由于每个输入位置都被独立地映射到每个输出位置，因此transformers可以比RNN更好地并行化，这使得更大、更具表现力的语言模型成为可能。每个注意力头可以用于学习不同的单词关系，从而提高下游的自然语言处理任务的效果。
BERT
BERT（双向编码器表示来自transformers）是一个非常大的多层变压器网络，BERT-base有12层，BERT-large有24层。该模型首先使用无监督的训练（预测句子中的掩码单词）在大量文本数据（维基百科+图书）上进行预训练。在预训练期间，模型吸收了大量的语言理解，这可以通过微调其他数据集来利用。这个过程被称为迁移学习。
