面试：关于Transformer的问题 | blog

参考链接

• transformer模型— 20道面试题自我检测
• Transformer常见问题与回答总结
• Transformer论文逐段精读【论文精读】
• 为什么Transformer 需要进行 Multi-head Attention？
• transformer中为什么使用不同的K 和 Q， 为什么不能使用同一个值？
• Breadcrumbstransformers/src/transformers
  /modeling_bert.py

位置编码：

• 一文读懂Transformer模型的位置编码
• 浅谈Transformer模型中的位置表示
• Transformer改进之相对位置编码(RPE)
• 如何优雅地编码文本中的位置信息？三种positioanl encoding方法简述

面试十问

1. Transformer为何使用多头注意力机制？（为什么不使用一个头）

多头保证了transformer可以注意到不同子空间的信息，捕捉到更加丰富的特征信息。可以类比CNN中同时使用多个卷积核的作用，直观上讲，多头的注意力有助于网络捕捉到更丰富的特征/信息。

捕捉多种依赖关系：不同的注意力头可以学习到序列中不同位置之间的不同依赖关系。一个头可能专注于捕捉语法依赖，另一个头可能专注于语义依赖，这样模型就能够更全面地理解输入数据。

提高模型容量：多头注意力机制增加了模型的容量，使得模型能够学习到更复杂的表示。

更好的泛化能力：由于多头注意力机制能够从多个角度分析输入数据，模型的泛化能力得到提升。

并行计算：多头注意力机制的计算可以并行进行，这提高了训练和推理的效率。

2. Transformer为什么Q和K使用不同的权重矩阵生成，为何不能使用同一个值进行自身的点乘？ （注意和第一个问题的区别）

理解自注意力机制：Q、K、V的角色

您可能好奇，为什么在‘K’和‘Q’很相似的情况下（主要区别在于权重W_k和W_Q），还要创建一个单独的‘Q’？使用‘K’自身进行点乘似乎就足够了，这样不仅省去了创建和更新‘Q’的麻烦，还节约了内存空间。

(上图是自注意力公式，涉及Q、K、V三个向量。)

为了解答这个问题，我们首先要理解为什么计算Q和K的点乘是关键的。

1. 点乘的本质：从物理意义上讲，两个向量的点乘代表了这两个向量的相似度。
2. Q、K、V的物理意义：Q、K、V在物理上都代表了由同一个句子中不同token组成的矩阵。这些矩阵中的每一行都是一个token的词嵌入向量。例如，在句子“Hello, how are you?”中，长度为6，嵌入维度为300，那么Q、K、V都将形成一个(6, 300)的矩阵。

简单来说，K和Q的点乘是为了计算句子中每个token相对于其他token的相似度，这种相似度可以理解为注意力得分。

例如，在处理“Hello, how are you?”这句话时，当前token为“Hello”，我们可以计算出“Hello”与句子中的“,”、“how”、“are”、“you”、“?”这些token的注意力得分。有了这个注意力得分，我们就能知道在处理“Hello”时，模型关注了句子中的哪些token。

这个注意力得分是一个(6, 6)的矩阵。每一行代表一个token相对于其他token的关注度。例如，上图中的第一行代表了“Hello”这个单词相对于本句中其他单词的关注度。添加softmax函数是为了对关注度进行归一化。

虽然我们通过各种计算得到了注意力得分矩阵，但它很难直接代表原始句子。然而，'V’仍然代表原始句子，因此我们将这个注意力得分矩阵与’V’相乘，得到的是一个加权后的结果。最初，'V’中的每个单词仅通过词嵌入来表示，彼此之间没有关联。但经过与注意力得分相乘后，'V’中每个token的向量（即每个单词的词嵌入向量）在每个维度（每一列）上都根据其他token的关注度进行了调整。这一步相当于提纯，使每个单词关注其应关注的部分。

现在，我们来解释为什么不使用相同的值来代表K和Q。从以上解释中，我们知道K和Q的点乘旨在产生一个注意力得分矩阵，用于提纯’V’。K和Q使用不同的W_k和W_Q进行计算，这可以理解为在不同的空间上进行投影。正是因为这种不同空间的投影，提高了表达能力，使得计算出的注意力得分矩阵具有更高的泛化能力。我的理解是，由于K和Q使用了不同的W_k和W_Q，所以它们形成了两个完全不同的矩阵，因此具有更强的表达能力。但如果不使用Q，而是直接使用K与K进行点乘，你会发现注意力得分矩阵是一个对称矩阵。这意味着它们都在相同的空间中进行了投影，因此泛化能力较差。这样的矩阵在提纯’V’时的效果也不会很好。

3. Transformer计算attention的时候为何选择点乘而不是加法？两者计算复杂度和效果上有什么区别？

特性 / 类型	点乘注意力（Dot-product Attention）	加法注意力（Additive Attention）
公式	Attention(Q, K, V) = softmax((QK^T) / sqrt(d_k)) V	Attention(Q, K, V) = softmax(score(Q, K)) V
输入	查询（Q）、键（K）和值（V）	查询（Q）、键（K）和值（V）
计算特点	使用查询和键的点乘来计算相似度	使用自定义的分数函数来计算查询和键之间的相似度
优点	- 高效：点乘操作可以在硬件上高效并行化 - 强大的建模能力：能够捕捉查询和键之间的细微相似度	- 对长序列的性能可能优于点乘注意力 - 可能更适合处理复杂的分数函数
缺点	- 维度高时可能导致梯度消失问题 - 需要适当缩放以防止softmax输出极端值	- 计算复杂度高：需要为每对查询和键计算分数 - 计算速度可能较慢
计算复杂度	O(n^2 * d)，其中n是序列长度，d是维度	O(n^2 * d)，但常数因子可能更大
效果	- 在多数任务中表现良好 - 在硬件上更易于并行化，计算更快	- 在某些长序列任务中可能表现更好 - 适合复杂的相似度计算

4.为什么在进行softmax之前需要对attention进行scaled（为什么除以dk的平方根），并使用公式推导进行讲解

self-attention的公式如下：

$$\text{Attention}(Q, K, V) = \text{softmax}\left(\frac{QK^T}{\sqrt{d_k}}\right)V \\$$

这里我们引用一下Transformer论文中的解释:

While for small values of d_k, the two mechanisms perform similarly, additive attention outperforms dot product attention without scaling for larger values of d_k. We suspect that for large values of $d_k$, the dot products grow large in magnitude, pushing the softmax function into regions where it has extremely small gradients. To counteract this effect, we scale the dot products by 1/√dk.

通过上面内容，可以将该思考题分为两部分进行描述：

• 问题1: Transformer的计算Attention时为什么要除以一个数
• 问题2: 这个数为什么是 $\frac{1}{\sqrt{d_k}}$

问题1: Transformer的计算Attention时为什么要除以一个数

当 $d_k$ 很大的时候,$QK^T$ 的结果里面会有很大,如果不进行scale，softmax将会作用于一些很大的值，那么根据softmax函数的分布，大多数值会堆积在分布的两端、也就是那些分布曲线平缓、梯度很小的地方，梯度很小就会导致梯度消失。

问题2: 这个数为什么是1/√dk

设文中提出的向量 $q_i$ ($q_i \in R^{n \times 1}$, $Q \in R^{n \times d_k}$)和 $k_i$ ($k_i \in R^{m \times 1}$, $K \in R^{m \times d_k}$)都是相互独立的、均值为0,方差为1的随机变量，那么根据独立变量性质有:

$$\text{Var}(QK^T) = \text{Var}\left(\sum_{i=1}^{d_k} q_i k_i^T\right) = \sum_{i=1}^{d_k} \text{Var}(q_i k_i^T) = d_k \\$$

因为有 $\text{Var}(ax) = a^2 \text{Var}(x)$

所以在softmax之前除以 $\sqrt{d_k}$ 可以将 $QK^T$ 的分布的方差缩小至1。

这样一来，大部分数值都会分布在softmax梯度适当的位置，也就避免了梯度消失的问题。

实验验证

以下是用于实验的Python代码：

from scipy.special import softmax  
import numpy as np  

def test_gradient(dimension, time_steps=50, scaling_factor=1.0):
    """
    - dimension: 查询向量和键向量的维度。
    - time_steps: 生成键向量的数量。
    - scaling_factor: 应用于点积的缩放因子。
    - return: 梯度矩阵中最大的绝对值分量。
    """

    # 生成随机的查询向量和键向量，其组成部分从标准正态分布中抽取
    query_vector = np.random.randn(dimension)
    key_vectors = np.random.randn(time_steps, dimension)

    # 计算点积，应用缩放，然后计算softmax
    dot_products = np.sum(query_vector * key_vectors, axis=1) / scaling_factor
    softmax_output = softmax(dot_products)

    # 计算softmax输出的梯度
    gradient_matrix = np.diag(softmax_output) - np.outer(softmax_output, softmax_output)

    # 返回梯度矩阵中的最大绝对值
    return np.max(np.abs(gradient_matrix))

# 实验次数
NUMBER_OF_EXPERIMENTS = 5

# 运行没有缩放的实验
results_without_scaling_100 = [test_gradient(100) for _ in range(NUMBER_OF_EXPERIMENTS)]
results_without_scaling_1000 = [test_gradient(1000) for _ in range(NUMBER_OF_EXPERIMENTS)]

# 运行有缩放的实验
results_with_scaling_100 = [test_gradient(100, scaling_factor=np.sqrt(100)) for _ in range(NUMBER_OF_EXPERIMENTS)]
results_with_scaling_1000 = [test_gradient(1000, scaling_factor=np.sqrt(1000)) for _ in range(NUMBER_OF_EXPERIMENTS)]

# 打印结果
print("没有缩放的结果（维度=100）:", results_without_scaling_100)
print("没有缩放的结果（维度=1000）:", results_without_scaling_1000)
print("有缩放的结果（维度=100）:", results_with_scaling_100)
print("有缩放的结果（维度=1000）:", results_with_scaling_1000)

实验结果：通过散点图展示，对比了不同实验条件下梯度最大绝对值分量的分布：

实验结果对比分析：

不带scaling的结果（维度=1000）： 在没有缩放处理的情况下，维度为1000的实验组中，梯度的最大绝对值分量出现了极小的值，如1.8829382497642655e-11，这表明在高维空间中不进行缩放可能会导致梯度消失。这是因为在高维空间中，点积的结果通常会非常大，导致softmax函数饱和，从而在反向传播时梯度接近于零。

不带scaling的结果（维度=100）： 在维度为100时，没有缩放处理的情况下，梯度的最大绝对值分量显得较大且变化范围宽，比如从0.059398546712975064到0.2498360169388831。这表明在较低维度的空间中，梯度消失的问题不像在高维空间那么显著。

带scaling的结果（维度=1000和100）： 在应用了缩放处理后，无论是维度为1000还是100的情况下，梯度的最大绝对值分量都较为稳定，没有出现接近于零的情况。例如，维度为1000时的输出值在0.08899382001739972到0.1312868174831885之间。这表明通过缩放可以有效避免梯度消失，确保了梯度流的稳定性。

5. 在计算attention score的时候如何对padding做mask操作？

padding位置置为负无穷(一般来说-1000就可以)，再对attention score进行相加。

步骤：

• 创建一个掩码矩阵: 对于输入序列中的每个位置，如果该位置是填充词，则在掩码矩阵的对应位置放置一个非常大的负数（如-1e9），否则放置0。

• 应用掩码矩阵: 将掩码矩阵加到注意力分数上。因为掩码矩阵中填充词的位置是非常大的负数，加上它们之后，这些位置的注意力分数也会变成非常大的负数。

• 应用softmax函数: 在加了掩码的注意力分数上应用softmax函数。由于填充词位置的分数是非常大的负数，经过softmax函数后，这些位置的权重将接近于0，而其他位置的权重将保持不变（因为softmax是一个归一化函数）。

• 计算加权和: 使用softmax的输出作为权重，计算值（Value）的加权和。

6. 为什么在进行多头注意力的时候需要对每个head进行降维？（可以参考上面一个问题）

将原有的高维空间转化为多个低维空间并再最后进行拼接，形成同样维度的输出，借此丰富特性信息

7. 大概讲一下Transformer的Encoder模块？

基本结构：

• Embedding + Position Embedding
• Self-Attention
• Add + LN
• FN
• Add + LN

Transformer的Encoder模块是由一系列相同的层堆叠而成的，每一层都有两个主要的子模块：多头自注意力机制（Multi-Head Self-Attention）和前馈神经网络（Position-wise Feed-Forward Networks）。此外，每个子模块周围都有一个残差连接，并且每个子模块的输出都会经过层归一化（Layer Normalization）。下面是对这些组件的详细说明：

• 1.多头自注意力机制（Multi-Head Self-Attention）:这个模块可以使网络在进行预测时考虑输入序列的不同位置，对不同位置的输入分配不同的注意力。多头注意力机制意味着模型有多组不同的注意力参数，每组都会输出一个注意力权重，这些注意力权重会被合并成最终的注意力输出。

• 2.残差连接（Residual Connection）: 残差连接帮助避免了深度神经网络中的梯度消失问题。在Transformer中，每个子模块的输出是 LayerNorm(x + SubLayer(x))，其中SubLayer(x)是子模块自身（比如多头自注意力或前馈神经网络）的输出。

• 3.层归一化（Layer Normalization）: 层归一化是在模型的训练过程中加速收敛的一种技术，它对层的输入进行归一化处理，使得其均值为0，方差为1。

• 4.前馈神经网络（Position-wise Feed-Forward Networks）: 这个模块由两个线性变换组成，中间夹有一个ReLU激活函数。它对每个位置的词向量独立地进行变换。

• 5.位置编码（Position Encoding）: 由于Transformer模型没有循环或卷积操作，为了让模型能够利用词的顺序信息，需要在输入嵌入层中加入位置编码。位置编码和词嵌入相加后输入到Encoder模块。

整体来看，Transformer的Encoder模块将输入序列转换为一系列连续表示，这些表示在后续的Decoder模块中用于生成输出序列。每一层的Encoder都对输入序列的所有位置同时进行操作，而不是像RNN那样逐个位置处理，这是Transformer模型高效并行处理的关键。

8.为何在获取输入词向量之后需要对矩阵乘以embedding size的开方？意义是什么？

embedding matrix的初始化方式是xavier init，这种方式的方差是1/embedding size，因此乘以embedding size的开方使得embedding matrix的方差是1，在这个scale下可能更有利于embedding matrix的收敛。

9. 简单介绍一下Transformer的位置编码？有什么意义和优缺点？

Transformer模型采用自注意力机制处理序列数据。与传统的循环神经网络（RNN）和长短时记忆网络（LSTM）不同，Transformer不依赖于序列的递归处理，因此无法直接捕捉到序列中的位置信息。为了解决这个问题，Transformer引入了位置编码（Positional Encoding）的概念，将位置信息添加到模型的输入中。

位置编码是一个与词嵌入维度相同的向量，它被加到词嵌入上，以提供关于单词在序列中位置的信息。位置编码的公式如下：

对于位置pos和维度i,位置编码的第i个元素被定义为:

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

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

其中,d是词嵌入的维度,pos是词在序列中的位置,i是维度的索引。

优点:

• 固定模式: 位置编码是根据绝对位置计算的，而且是固定的，这意味着模型在训练和测试时使用相同的位置编码，保持一致性。
• 可推广性: 由于位置编码是基于三角函数计算的，它能够处理比训练时见过的序列更长的输入。
• 并行计算: 与RNN和LSTM不同，Transformer模型能够利用位置编码一次性处理整个序列，这使得模型能够充分利用现代硬件的并行计算能力，显著提高训练和推断的速度。

缺点:

• 固定长度: 尽管位置编码能够处理长序列，但是它们是根据固定长度计算的，这意味着如果序列太长，位置编码可能会失效。
• 可能需要更多的训练数据: 由于位置信息是通过位置编码隐式提供的，模型需要从数据中学习如何最好地利用这些信息，这可能需要更多的训练数据。

10.你还了解哪些关于位置编码的技术，各自的优缺点是什么？

位置编码技术	优点	缺点
学习的位置编码	模型可以学习到最适合特定任务的位置编码，可能在某些任务上表现更好。	需要更多的参数和训练数据。 不能很好地泛化到训练时未见过的更长序列。
相对位置编码	能够更好地处理序列的局部结构，因为它关注的是元素之间的相对位置。	计算更复杂，可能增加训练和推理的时间。
固定但可学习的位置编码	能够在保持一定泛化能力的同时，适应特定任务的需求。	仍然需要更多的参数。
轴向位置编码	参数更少，更高效。	可能损失一些表达能力。
Transformer-XL中的位置编码	能够更好地处理长序列，并捕捉长范围的依赖关系。	结构更复杂，计算成本更高。

11.简单讲一下Transformer中的残差结构以及意义。

在Transformer中的每个子层（如自注意力层和前馈神经网络层）后面，都会有一个残差连接，然后是一个层归一化（Layer Normalization）操作。具体来说，如果我们将子层的操作表示为(F(x))，那么残差连接的输出就是(x + F(x))。这里的(x)是子层的输入，(x + F(x))是残差连接的输出，也是下一层的输入。

残差结构的意义

• 缓解梯度消失: 残差连接允许梯度直接流过网络，这有助于缓解深层网络中常见的梯度消失问题，从而使得模型更容易训练。
• 提升训练速度: 残差连接提供了一种直接的信息传播路径，可以加速训练过程。
• 增强网络能力: 通过允许信息直接传递，残差连接使网络能够学习到更复杂的表示，增强了模型的能力。
• 增加网络深度: 残差结构使得训练非常深的网络成为可能，而不用担心梯度消失或者训练难度的问题。
• 保持前向信息的完整性: 由于残差连接的加法操作，即使某个子层没有学到有用的信息（或者学到了错误的信息），输入信息x也仍然能够通过残差连接传到下一层，这有助于保持前向传播过程中信息的完整性。

12. 为什么transformer块使用LayerNorm而不是BatchNorm？LayerNorm 在Transformer的位置是哪里？

这个我会单独写

13. 简单描述一下Transformer中的前馈神经网络？使用了什么激活函数？相关优缺点？

Transformer 中的前馈神经网络（Feed-Forward Neural Network, FFN）是模型每个注意力头后的一个重要组成部分。这个前馈神经网络对每个位置的词向量进行相同的操作，但它并不在不同位置间共享参数。

ReLU(x) = max(0, x)
FFN(x) = max(0, xW_1 + b_1)W_2 + b_2

其中，W_1, W_2, b_1, b_2 是网络参数，x 是输入的词向量，通常维度为 d_model。第一个线性层将输入从 d_model 维扩展到 d_ff 维，然后应用激活函数，再通过第二个线性层将维度从 d_ff 缩减回 d_model。

优点:

• 非线性：前馈神经网络引入了非线性变换，增加了模型的表达能力，使得 Transformer 能够学习到更复杂的函数映射。
• 并行计算：由于前馈神经网络对每个位置的操作是独立的，所以可以高效地进行并行计算，提高训练和推理的速度。
• 简单高效：前馈神经网络结构简单，计算效率高，易于优化。

缺点:

• 局限性：前馈神经网络在处理序列数据时只能考虑单个位置的信息，无法捕捉序列中的上下文关系。这种局限性通过 Transformer 中的自注意力机制来解决。
• 参数量大：尽管结构简单，但前馈神经网络中参数量较大，特别是当 d_ff 很大时，这可能导致过拟合和增加模型的计算负担。

14.Encoder端和Decoder端是如何进行交互的？（在这里可以问一下关于seq2seq的attention知识）

Encoder和Decoder之间的交互主要通过交叉注意力机制实现。具体来说：

查询来自Decoder：在交叉注意力层中，查询（Query）来自于Decoder的上一层的输出。

键和值来自Encoder：键（Key）和值（Value）来自于Encoder的输出。

通过计算查询与键的相似度，模型可以为每个Encoder输出分配一个权重，然后将这些权重应用于值，以产生一个加权和，该加权和将用作交叉注意力层的输出，并输入到下一层。

这种机制使Decoder能够关注输入序列的不同部分，特别是在生成每个新单词时。例如，在机器翻译任务中，当模型生成目标语言的一个单词时，它可以通过这种机制来聚焦于源语言句子中的相关部分。

15.Decoder阶段的多头自注意力和encoder的多头自注意力有什么区别？（为什么需要decoder自注意力需要进行 sequence mask)

Encoder的多头自注意力 :在Encoder的多头自注意力中，每个位置都可以自由地注意序列中的所有其他位置。这意味着计算注意力分数时，并没有位置上的限制。这种设置是因为在编码阶段，我们假定有完整的输入序列，并且每个词都可以依赖于上下文中的任何其他词来获得其表示。

Decoder的多头自注意力（带掩码）:在Decoder的多头自注意力中，为了保持自回归属性（即生成当前词只依赖于前面的词），我们需要确保在计算注意力分数时，每个位置只能注意到它前面的位置。为了实现这一点，我们使用了序列掩码（sequence mask）的技术。

具体来说，序列掩码是在注意力分数计算之前，将当前位置之后所有位置的分数设置为一个非常大的负数（通常是负无穷）。这样，在接下来的softmax操作中，这些位置的注意力权重将变为0，确保模型不会注意到这些位置。

为什么需要Decoder自注意力进行序列掩码？

在序列生成任务中，如机器翻译或文本生成，模型需要一次生成一个词，并且生成当前词时只能依赖于前面已经生成的词。
如果我们不使用序列掩码，模型就能够“看到”后续的词，这与实际生成过程不符，并且会导致信息泄露，使模型学习到错误的依赖关系。

16.Transformer的并行化提现在哪个地方？Decoder端可以做并行化吗？

Encoder侧：模块之间是串行的，一个模块计算的结果做为下一个模块的输入，互相之前有依赖关系。从每个模块的角度来说，注意力层和前馈神经层这两个子模块单独来看都是可以并行的，不同单词之间是没有依赖关系的。

Decode引入sequence mask就是为了并行化训练，Decoder推理过程没有并行，只能一个一个的解码，很类似于RNN，这个时刻的输入依赖于上一个时刻的输出。

17. Transformer训练的时候学习率是如何设定的？Dropout是如何设定的，位置在哪里？Dropout 在测试的需要有什么需要注意的吗？

Transformer模型通常使用一种特殊的学习率调度策略,称为“Noam”学习率预热策略。具体来说,学习率随着训练的进行先增大后减小,计算公式为:

$$lr = d_{\text{model}}^{-0.5} \cdot \min(\text{step\_num}^{-0.5}, \text{step\_num} \cdot \text{warmup\_steps}^{-1.5})$$

其中,$d_{\text{model}}$是模型的隐藏层大小, step_num是当前的训练步数,warmup_steps是预热的步数。这种学习率调度策略有助于模型在训练初期快速收敛,同时在训练后期通过减小学习率来稳定训练。

Dropout是一种正则化技术,用于防止神经网络过拟合。在Transformer模型中,Dropout被应用在以下几个地方:

1. 在注意力权重计算后,用于随机“丢弃”一些权重,以防止模型过分依赖某些特定的输入。

2. 在每个子层(自注意力层,前馈神经网络层等)的输出后,用于防止过拟合。

3. 在词嵌入层和位置编码的加和后。

Dropout率(即随机丢弃的神经元比例)是一个超参数,需要根据具体任务进行调整。常见的取值范围在0.1到0.3之间。

在测试(或推理)阶段,通常会禁用Dropout,确保所有的神经元都参与到计算中,以获得最稳定的模型输出。这是因为Dropout在训练时引入了随机性,而在测试时我们希望模型的表现是确定的。在许多深度学习框架中,可以通过设置模型为评估模式来自动禁用Dropout。

18. 一个关于bert问题，bert的mask为何不学习transformer在attention处进行屏蔽score的技巧？

BERT和transformer的目标不一致，bert是语言的预训练模型，需要充分考虑上下文的关系，而transformer主要考虑句子中第i个元素与前i-1个元素的关系