Download as PDF, PPTX
![Scaled Dot Product Attention②
𝑆𝐷𝑃𝐴𝑡𝑡𝑒𝑛𝑡𝑖𝑜𝑛 𝑄, 𝐾, 𝑉 = 𝑠𝑜𝑓𝑡𝑚𝑎𝑥
𝑄𝐾(
𝑑
𝑉
• 𝒔𝒐𝒇𝒕𝒎𝒂𝒙 𝒙 = [
𝒆𝒙𝟏
∑ 𝒆𝒙𝒊
,
𝒆𝒙𝟐
∑ 𝒆𝒙𝒊
,
𝒆𝒙𝟑
∑ 𝒆𝒙𝒊
, … ]
Øベクトルを少し過激に確率分布に変換する関数
ex.) 𝑠𝑜𝑓𝑡𝑚𝑎𝑥([2,3,5]) = [0.4, 0.11, 0.85]
27
𝑞! ∗ 𝑘!
𝑞" ∗ 𝑘!
𝑞# ∗ 𝑘!
𝑞! ∗ 𝑘"
𝑞" ∗ 𝑘"
𝑞# ∗ 𝑘"
𝑞! ∗ 𝑘#
𝑞" ∗ 𝑘#
𝑞# ∗ 𝑘#
𝑞$ ∗ 𝑘!𝑞$ ∗ 𝑘"𝑞$ ∗ 𝑘#
softmax
softmax
softmax
softmax
𝑞!~𝑘!
𝑞"~𝑘!
𝑞#~𝑘!
𝑞!~𝑘"
𝑞"~𝑘"
𝑞#~𝑘"
𝑞!~𝑘#
𝑞"~𝑘#
𝑞#~𝑘#
𝑞$~𝑘! 𝑞$~𝑘" 𝑞$~𝑘#
𝑞!と各keyとの
類似性の確率分布](https://image.slidesharecdn.com/transformer-230323122109-9753b794/75/transformer-Chat-GPT-27-2048.jpg)
![Scaled Dot Product Attention③
𝑆𝐷𝑃𝐴𝑡𝑡𝑒𝑛𝑡𝑖𝑜𝑛 𝑄, 𝐾, 𝑉 = 𝑠𝑜𝑓𝑡𝑚𝑎𝑥
𝑄𝐾(
𝑑
𝑉
前stepで求めた確率分布を重みと捉え、valuesを加重平均
28
𝑞!~𝑘!
𝑞"~𝑘!
𝑞#~𝑘!
𝑞!~𝑘"
𝑞"~𝑘"
𝑞#~𝑘"
𝑞!~𝑘#
𝑞"~𝑘#
𝑞#~𝑘#
𝑞$~𝑘! 𝑞$~𝑘" 𝑞$~𝑘#
𝑣!
𝑣"
𝑣#
*
[0.4, 0.11, 0.85]
% 𝑞!~𝑘% ∗ 𝑣%
% 𝑞"~𝑘% ∗ 𝑣%
% 𝑞#~𝑘% ∗ 𝑣%
% 𝑞$~𝑘% ∗ 𝑣%](https://image.slidesharecdn.com/transformer-230323122109-9753b794/75/transformer-Chat-GPT-28-2048.jpg)
![SSII2022 [TS1] Transformerの最前線〜 畳込みニューラルネットワークの先へ 〜](https://cdn.slidesharecdn.com/ss_thumbnails/ts120220608ssiitransformerr2-220607054025-3adacf07-thumbnail.jpg?width=640&height=640&fit=bounds)
![[旧版] JSAI2018 チュートリアル「"深層学習時代の" ゼロから始める自然言語処理」](https://cdn.slidesharecdn.com/ss_thumbnails/jsai2018tutorialslideshare-180606065226-thumbnail.jpg?width=640&height=640&fit=bounds)
![[最新版] JSAI2018 チュートリアル「"深層学習時代の" ゼロから始める自然言語処理」](https://cdn.slidesharecdn.com/ss_thumbnails/jsai2018tutorialslideshare-180607030706-thumbnail.jpg?width=640&height=640&fit=bounds)
transformer解説~Chat-GPTの源流~
- 1.
- 2.
- 3.
- 4. ⽬次 • ざっくり深層学習 • 自然言語処理モデル •RNN • Transformer 4
- 5.
- 6. 単純な線形変換() 𝑦 = 𝐴𝑐𝑡𝑖𝑣𝑎𝑡𝑒(𝑥𝑊+ 𝑏) (以降こいつをLinearって呼びます） Øこいつの重ね方に工夫が生まれる Ø𝑊, 𝑏の値をよしなに調整するのが学習 6 𝑥 𝑊 𝑏 Activate Func etc. 𝑦 非線形性を生み、 表現力が向上 *
- 7.
- 8. Chat-GPTへの道のり BERT 8 GPT GPT-2 GPT-3Chat-GPT Transformer 全てはTransformerから始まった Øまずはコイツから始めましょう！
- 9. ざっくりTransformer “Attention Is AllYou Need” (Ashish Vaswani @Google Brain et al. ) 機械翻訳用の自然言語モデル 従来のRNNベースの手法から大幅に性能改善 Ø自然言語処理のbreak throughを作った革命的なモデル 9
- 10. Decoder Encoder 翻訳の主流︓Encoder-Decoderモデル 10 DNN 単語ベクトル群 I am aman . 文の意味っぽいベクトル DNN 私 は 人 だ 。 文の意味っぽいベクトル 単語ベクトル群
- 11. 機械翻訳の祖︓RNN Recurrent Neural Network …入力長分、共通の線形変換()を繰り返し適用するモデル 可変長の入力に対応可能、系列データ全般に強い 11 Linear Linear Linear Linear Linear x0 x1 x2 x3 x4 y0 y1 y2 y3 y4 s0 s1 s2 s3 s4
- 12. Encoder RNNで機械翻訳 - Encoder部分 12 Ihave a pen . Linear Linear Linear Linear Linear x0 x1 x2 x3 x4 s0 s1 s2 s3 文 全 体 の 意 味 Word Embedding（実はこいつもDNN）
- 13. Decoder RNNで機械翻訳 - Decoder部分 13 私はペンを 持って いる 。 Linear Linear Linear Linear Linear y0 y1 y2 y3 y4 t0 t1 t2 t3 文 全 体 の 意 味 Word Embedding（実はこいつもDNN）
- 14. Decoder Encoder RNNの問題点 • 計算フローのクリティカルパスが文の長さに比例 ØGPU等の並列計算で高速化できない 14 14 I havea pen . Linear Linear Linear Linear Linear x0 x1 x2 x3 x4 s0 s1 s2 s3 文 全 体 の 意 味 Word Embedding（実はこいつもDNN） 私は ペンを 持って いる 。 Linear Linear Linear Linear Linear y0 y1 y2 y3 y4 t0 t1 t2 t3 文 全 体 の 意 味 Word Embedding（実はこいつもDNN）
- 15. Transformer 並列性の高い計算フローを持つ Encoder-Decoder型DNN 主要なパーツ • Positional Encoding •Feed-Forward Network • Layer Normalization • Multi-Head Attention 15 Masked Multi-Head Attention Multi-Head Attention Layer Norm Feed Forward Layer Norm Linear softmax Output Embedding + + + 〜 Input Embedding Multi-Head Attention Layer Norm Feed Forward Layer Norm + + + 〜 Outputs Inputs Output Probabilities + Layer Norm N x x N
- 16. まずは超ざっくり⾒る 1. 入力文をEncode 2. 出力済の文と1の結果から、 次単語の確率分布を生成 3.ビームサーチで次単語確定、 出力済の文に追加 4. 2に戻る 16 Masked Multi-Head Attention Multi-Head Attention Layer Norm Feed Forward Layer Norm + + + 〜 Output Probabilities + Layer Norm Encoder Decoder I am a boy . ⼊⼒⽂の意味 私は 男の子 男性 女の子 犬 80% 10% 6% 4%
- 17. Transformer 主要なパーツ • Positional Encoding •Feed-Forward Network • Layer Normalization • Multi-Head Attention 17 Masked Multi-Head Attention Multi-Head Attention Layer Norm Feed Forward Layer Norm Linear softmax Output Embedding + + + 〜 Input Embedding Multi-Head Attention Layer Norm Feed Forward Layer Norm + + + 〜 Outputs Inputs Output Probabilities + Layer Norm N x x N
- 18. Positional Encoding 文の意味解釈で、各単語の位置情報は重要 LLinear層は単語の順序を考慮しない Ø入力時点で、単語自体に位置情報を明示的に埋め込む必要性 18 I ama boy . Word Embedding 単 語 ベ ク ト ル pos i 𝑃𝐸 𝑝𝑜𝑠, 2𝑖 = sin !"# $%%%% !" # 𝑃𝐸 𝑝𝑜𝑠, 2𝑖 + 1 = cos( !"# $%%%% !" # ) 𝑑
- 19. Transformer 主要なパーツ • Positional Encoding •Feed-Forward Network • Layer Normalization • Multi-Head Attention 19 Masked Multi-Head Attention Multi-Head Attention Layer Norm Feed Forward Layer Norm Linear softmax Output Embedding + + + 〜 Input Embedding Multi-Head Attention Layer Norm Feed Forward Layer Norm + + + 〜 Outputs Inputs Output Probabilities + Layer Norm N x x N
- 20. Feed-Forward Network 𝑧 =𝑅𝑒𝐿𝑈 𝑥𝑊! + 𝑏! 𝑦 = 𝑧𝑊" + 𝑏" ØLinear x2。それだけ 20 𝑥 𝑊! 𝑧 𝑧 𝑊" 𝑦 ※bは省略
- 21. Transformer 主要なパーツ • Positional Encoding •Feed-Forward Network • Layer Normalization • Multi-Head Attention 21 Masked Multi-Head Attention Multi-Head Attention Layer Norm Feed Forward Layer Norm Linear softmax Output Embedding + + + 〜 Input Embedding Multi-Head Attention Layer Norm Feed Forward Layer Norm + + + 〜 Outputs Inputs Output Probabilities + Layer Norm N x x N
- 22. Layer Normalization 𝐿𝑁 𝑥#= 𝑥# − 𝜇 𝜎 𝛾 + 𝛽 𝜇, 𝜎: 𝑥#の平均, 標準偏差 𝛾, 𝛽: パラメタ（スカラ値） ただの正規化もどき Ø学習の高速化や過学習の抑制に寄与 行単位で適用 22 １ … ３ … ２ … ６ … I am a boy Layers… … … … … -0.9 0 -0.51.4 LN LN
- 23. Transformer 主要なパーツ • Positional Encoding •Feed-Forward Network • Layer Normalization • Multi-Head Attention 23 Masked Multi-Head Attention Multi-Head Attention Layer Norm Feed Forward Layer Norm Linear softmax Output Embedding + + + 〜 Input Embedding Multi-Head Attention Layer Norm Feed Forward Layer Norm + + + 〜 Outputs Inputs Output Probabilities + Layer Norm N x x N Positional Encoding Positional Encoding
- 24. Multi-Head Attention 𝑴𝒖𝒍𝒕𝒊𝑯𝒆𝒂𝒅(𝑄, 𝐾,𝑉) = 𝒄𝒐𝒏𝒄𝒂𝒕 ℎ𝑒𝑎𝑑# 𝑊$ ℎ𝑒𝑎𝑑# = 𝑺𝑫𝑷𝑨𝒕𝒕𝒆𝒏𝒕𝒊𝒐𝒏 𝑄𝑊 # % , 𝐾𝑊# & , 𝑉𝑊# ' 𝑺𝑫𝑷𝑨𝒕𝒕𝒆𝒏𝒕𝒊𝒐𝒏 𝑄′, 𝐾′, 𝑉′ = 𝒔𝒐𝒇𝒕𝒎𝒂𝒙 𝑄′𝐾′( 𝑑 𝑉′ お気持ち • 𝑉には、整理されていない有益情報がたくさん • 𝐾は𝑉に紐づく情報がたくさん • 𝑄に近い情報がKにあれば、対応する有益情報を𝑉から抽出 24
- 25. Scaled Dot ProductAttention 𝑆𝐷𝑃𝐴𝑡𝑡𝑒𝑛𝑡𝑖𝑜𝑛 𝑄, 𝐾, 𝑉 = 𝑠𝑜𝑓𝑡𝑚𝑎𝑥 𝑄𝐾( 𝑑 𝑉 お気持ち • 𝑘#(𝑘𝑒𝑦), 𝑣#(𝑣𝑎𝑙𝑢𝑒)という対を為すベクトルが沢山 • 各入力ベクトル𝑞)と似ているkeyを集める • keyに対応するvalueたちを混ぜて出力 25 𝑞! 𝑞" 𝑞# 𝑞$ 𝑘! 𝑘" 𝑘# 𝑣! 𝑣" 𝑣#
- 26. Scaled Dot ProductAttention① 𝑆𝐷𝑃𝐴𝑡𝑡𝑒𝑛𝑡𝑖𝑜𝑛 𝑄, 𝐾, 𝑉 = 𝑠𝑜𝑓𝑡𝑚𝑎𝑥 𝑄𝐾( 𝑑 𝑉 𝑄𝐾( の各要素は𝑞#と𝑘)の内積 Ø𝑞#, 𝑘)の向きが近いほど値が大きいため、類似度の指標に （内積はベクトル長に比例してしまうため、 𝑑で割る） 26 𝑞! 𝑞" 𝑞# 𝑞$ 𝑘! 𝑘" 𝑘# 𝑘$ 𝑘% * 𝑑 𝑞! ∗ 𝑘! 𝑞" ∗ 𝑘! 𝑞# ∗ 𝑘! 𝑞! ∗ 𝑘" 𝑞" ∗ 𝑘" 𝑞# ∗ 𝑘" 𝑞! ∗ 𝑘# 𝑞" ∗ 𝑘# 𝑞# ∗ 𝑘# 𝑞$ ∗ 𝑘!𝑞$ ∗ 𝑘"𝑞$ ∗ 𝑘# 𝑞!と各keyとの 類似度ベクトル
- 27. Scaled Dot ProductAttention② 𝑆𝐷𝑃𝐴𝑡𝑡𝑒𝑛𝑡𝑖𝑜𝑛 𝑄, 𝐾, 𝑉 = 𝑠𝑜𝑓𝑡𝑚𝑎𝑥 𝑄𝐾( 𝑑 𝑉 • 𝒔𝒐𝒇𝒕𝒎𝒂𝒙 𝒙 = [ 𝒆𝒙𝟏 ∑ 𝒆𝒙𝒊 , 𝒆𝒙𝟐 ∑ 𝒆𝒙𝒊 , 𝒆𝒙𝟑 ∑ 𝒆𝒙𝒊 , … ] Øベクトルを少し過激に確率分布に変換する関数 ex.) 𝑠𝑜𝑓𝑡𝑚𝑎𝑥([2,3,5]) = [0.4, 0.11, 0.85] 27 𝑞! ∗ 𝑘! 𝑞" ∗ 𝑘! 𝑞# ∗ 𝑘! 𝑞! ∗ 𝑘" 𝑞" ∗ 𝑘" 𝑞# ∗ 𝑘" 𝑞! ∗ 𝑘# 𝑞" ∗ 𝑘# 𝑞# ∗ 𝑘# 𝑞$ ∗ 𝑘!𝑞$ ∗ 𝑘"𝑞$ ∗ 𝑘# softmax softmax softmax softmax 𝑞!~𝑘! 𝑞"~𝑘! 𝑞#~𝑘! 𝑞!~𝑘" 𝑞"~𝑘" 𝑞#~𝑘" 𝑞!~𝑘# 𝑞"~𝑘# 𝑞#~𝑘# 𝑞$~𝑘! 𝑞$~𝑘" 𝑞$~𝑘# 𝑞!と各keyとの 類似性の確率分布
- 28. Scaled Dot ProductAttention③ 𝑆𝐷𝑃𝐴𝑡𝑡𝑒𝑛𝑡𝑖𝑜𝑛 𝑄, 𝐾, 𝑉 = 𝑠𝑜𝑓𝑡𝑚𝑎𝑥 𝑄𝐾( 𝑑 𝑉 前stepで求めた確率分布を重みと捉え、valuesを加重平均 28 𝑞!~𝑘! 𝑞"~𝑘! 𝑞#~𝑘! 𝑞!~𝑘" 𝑞"~𝑘" 𝑞#~𝑘" 𝑞!~𝑘# 𝑞"~𝑘# 𝑞#~𝑘# 𝑞$~𝑘! 𝑞$~𝑘" 𝑞$~𝑘# 𝑣! 𝑣" 𝑣# * [0.4, 0.11, 0.85] % 𝑞!~𝑘% ∗ 𝑣% % 𝑞"~𝑘% ∗ 𝑣% % 𝑞#~𝑘% ∗ 𝑣% % 𝑞$~𝑘% ∗ 𝑣%
- 29. 𝑀𝑢𝑙𝑡𝑖𝐻𝑒𝑎𝑑 𝑄, 𝐾,𝑉 = 𝑐𝑜𝑛𝑐𝑎𝑡 ℎ𝑒𝑎𝑑# 𝑊$ ℎ𝑒𝑎𝑑# = 𝑆𝐷𝑃𝐴𝑡𝑡𝑒𝑛𝑡𝑖𝑜𝑛 𝑄𝑊 # % , 𝐾𝑊# & , 𝑉𝑊# ' Ø𝑄, 𝐾, 𝑉に様々な変換を加え、組合わせに多様性を持たせている Multi-Head Attention 29 𝑊! " 𝑊! # 𝑄 𝐾 𝑉 𝑊$ " 𝑊$ # * * * 𝑊% " 𝑊% # 𝑊 ! & 𝑊 $ & 𝑊 % & 𝐾! ' 𝑉! ' 𝐾$ ' 𝐾% ' 𝑉$ ' 𝑉% ' 𝑄! ' 𝑄$ ' 𝑄% ' SDP Attention ℎ𝑒𝑎𝑑 ! ℎ𝑒𝑎𝑑 $ ℎ𝑒𝑎𝑑 % ℎ𝑒𝑎𝑑 ! ℎ𝑒𝑎𝑑 $ ℎ𝑒𝑎𝑑 % * 𝑊&
- 30. Multi-Head Attentionの使われ⽅① Q,K,Vが全て同じ入力(文) Ø入力(文)を様々な角度で切り出した物同士 を見比べ、注目すべき箇所を決めて出力 30 Masked Multi-Head Attention Multi-Head Attention LayerNorm Feed Forward Layer Norm Linear softmax Output Embedding + + + 〜 Input Embedding Multi-Head Attention Layer Norm Feed Forward Layer Norm + + + 〜 Outputs Inputs Output Probabilities + Layer Norm N x x N I could not put the violin in the bag because it was too big. 𝑊% " 𝑊% # 𝑊 % & it was too big SDP Attention not because violin bag put in the bag the violin the violin was too big Q K V 勝手なイメージ
- 31. Multi-Head Attentionの使われ⽅② 𝑄: 加工済み出力文 𝐾,𝑉: encoderの出力 Ø出力文から、入力文のどの意味がまだ不足 しているか等を判断している？ 31 Masked Multi-Head Attention Multi-Head Attention Layer Norm Feed Forward Layer Norm Linear softmax Output Embedding + + + 〜 Input Embedding Multi-Head Attention Layer Norm Feed Forward Layer Norm + + + 〜 Outputs Inputs Output Probabilities + Layer Norm N x x N
- 32. Masked Multi-Head Attention 主に学習のための機構 学習時は入力文と出力文の模範解答を流す 次単語予測の正解がわからないように、 出力文を一部maskするだけ 32 MaskedMulti-Head Attention Multi-Head Attention Layer Norm Feed Forward Layer Norm Linear softmax Output Embedding + + + 〜 Input Embedding Multi-Head Attention Layer Norm Feed Forward Layer Norm + + + 〜 Outputs Inputs Output Probabilities + Layer Norm N x x N
- 33.
- 34. Transformer 34 Masked Multi-Head Attention Multi-Head Attention Layer Norm FeedForward Layer Norm Linear softmax Output Embedding + + + 〜 Input Embedding Multi-Head Attention Layer Norm Feed Forward Layer Norm + + + 〜 Outputs Inputs Output Probabilities + Layer Norm N x x N Positional Encoding Positional Encoding
- 35. 次回予告 transformerは本来翻訳家 だが、意味解釈能力が超凄い これ、何にでも応用できる？ ØGPTs, BERT 35 Masked Multi-Head Attention Multi-Head Attention LayerNorm Feed Forward Layer Norm Linear softmax Output Embedding + + + 〜 Input Embedding Multi-Head Attention Layer Norm Feed Forward Layer Norm + + + 〜 Outputs Inputs Output Probabilities + Layer Norm N x x N