Transformer 是不是缺乏跨维度关系捕捉能力？

[LeeReamond]

如题，用别人开源的模型做 NLP 任务有几年了，第一次认真看了下 Transformer 的公式，感觉这东西是不是除了 NLP 其他领域迁移能力差，因为本身夸维度捕捉能力就差。

假设有三个中文输入：“你好”，每个字被编码为一个三维的向量，那么也许可以写成这样一个 3x2 矩阵：

input = [
  [a1, b1],
  [a2, b2],
  [a3, b3],
]

我仔细看了一下 attention 的公式，所以注意力结果应该是

z = Softmax(Q·K/sqrt(x))·V

其中 QKV 是三个矩阵乘出来的

那么整个运算过程中从单个变量的三个维度出发的话，在上文的 2 字例子中，Q 的第一维只会和 K 的第一维发生关系，似乎并不会参与其他维度运算，这是否导致跨维度捕捉能力的缺失？

所以只有 NLP 做得好，因为 NLP 的多维度量基是人为构建的，而且尽量使其分布平均。一到涉及现实世界的任务就拉了胯了，VIT 近视眼，其他现实建模量基不同的全都寄

[flyv2x]

词嵌入向量：向量旨在捕捉词汇的语义特征，每个维度代表不同的潜在语义属性。
词嵌入向量->转换到 Q 、K 、V 过程是通过权重矩阵相乘来实现。在 Transformer 中，Q （查询）、K （键）和 V （值）向量的每个维度都是原始词嵌入向量所有维度的加权结果。

[zhusimaji]

从实践来看，Attention 在推荐里用的也不少啊，MHA 用的挺广泛的

[Yuhyeong]

transformer 都杀疯了，基本所有领域都霸榜了。要不是硬件成本太高，大家 backbone 恨不得全换成 transformer 。

[Yuhyeong]

@zhusimaji transformer 就是用的 attention

[Yuhyeong]

@Yuhyeong paperwithcode 搜搜 Vit ，看看在几个 benchmark 上是 top3

[zhusimaji]

还好吧，现在都有专门的优化了，比如 Attention 有 flash attention 最近看 openai 新一代注意力机制 Lightning Attention-2：无限序列长度、恒定算力开销、更高建模精度。

[think9999]

我认为：Transformer 不缺乏跨维度关系捕捉能力。甚至，它比 CNN 可以捕捉等多的维度关系。
之前有个图像识别的例子用 Transformer 来做，从结果可以验证。
其实，Transformer 里面用了很多 attention ，不是只有 1 个，是很多个，越大的基于 Transformer 的模型，里面的 attention 数量越大（非线性增长）。 而每 1 个 attention 就是去找一个关系， 那么多 attention 它其实就是在遍历找关系。
我认为它就类似于 Faster R-CNN 检测一个目标，几乎就是在用算力去框一个对象，只要算力足够，那么目标就一定能被检测出来。

[icetea12138]

我还以为你说变形金刚呢

[Morriaty]

目前主流的大模型都是高维度 embedding ，维度之间本身就是默认正交的，简单理解，假设有个低维 128 维度的 embedding ，我可以手动组合 d1d2 组合维度作为 d129 维，再手动组合 d1d3 组合作为 d130 维，这是交叉特征 FM 的思想。只不过在深度神经网络时代（ bert ）之后，手动组合特征变成了直接设置为高维度 embedding ，让网络自己去学习这种“特征组合”。


@zhusimaji 另外请问下，MHA 全称是啥，挺感兴趣的，但我没查到

[neopenx]

你可能不熟悉矩阵乘法把。Q·K 的注意力矩阵乘法是[2,3]@[3, 2], 也就是做了 2x2 四次向量点积，每个点积都用到了全部三维。这是单头注意力情况。维度更高需要用多头减少每组点积向量的维度，避免参与的维度过多导致注意力不 diverse

[pipapa]

@Morriaty multi-head-attention

[Morriaty]

@pipapa 哦哦我还以为是专门用于推荐设计的算法，类似于 DIN 之类的，难怪我查不到🤣

[LeeReamond]

@flyv2x 所以 transformer 的维度关系捕捉能力可以认为是 W(QKV)的这一个(三个)全连接层的关系?

@neopenx 你要不要重新看看你都写的啥

[zhusimaji]

@Morriaty 有人回答了

[neopenx]

@LeeReamond 并没有啥问题啊。你的维度困惑在于把 Q·K 理解成逐元素向量乘法了..上面一堆回答都歪了..

[zhangyichent]

@neopenx 我也觉得你说的对头

[lrigi]

楼主后面不是还有个*V 吗，attention 本身关注的就是不同词之间的关系

[liangzhh25]

@neopenx 我理解 op 的问题也是你说的那样 hhh

[liangzhh25]

发现说的有点不对，transformer 的注意力确实是两个词的 q 和 k 在各自的维度相乘，求和计算得到的，这个注意力本身就有点类似 cv 的空间注意力。也能理解，要是维度之间还要计算相关的话，attention 计算量就要爆炸了。以上是个人理解。

[liangzhh25]

再补充一点，一般注意力结构后面都会再接个 mlp 或者 ffn ，这里会有通道维度上的全连接，通过多个 attn-mlp 结构，应该是能实现 op 说的跨维度信息捕捉的能力。

[lrigi]

@Yuhyeong
https://paperswithcode.com/task/image-classification
https://paperswithcode.com/task/object-detection
你倒是说说哪个 sota 不是 vit

[Yuhyeong]

@lrigi 啊？我意思就是 vit 大部分 sota 啊，op 说 vit 在 nlp 之外不行，我在举反例啊。

[Yuhyeong]

@lrigi 哥们，不说反问句就看不到了吗😂

[lrigi]

@Yuhyeong 哦 抱歉我理解错了🙏讲道理楼主真的做了几年 nlp 吗这也太外行了

[sujin190]

怎么记得 QK 好像是矩阵乘法，也就是点乘，哪里来的 Q 第一维度只和 K 的第一维度产生作用，就不符合点乘规则吧，和后面 V 才是普通乘法才有你说的这个问题吧，你从哪找的这个公式都看不出是点乘还是普通乘法了

[flyv2x]

@LeeReamond transformer 不只是生成查询（ Q ）、键（ K ）和值（ V ）的一个全连接层，还有多头注意力机制，FFNN 都有用到。
简要流程：
1.每个词通过词嵌入模型被转换为一个固定长度的向量(词嵌入向量)，这个过程是自然语言处理（ NLP ）中的常规步骤。(词嵌入向量每个维度代表不同的潜在语义属性)
2.在自注意力机制中将每个词的嵌入向量与三个不同的权重矩阵相乘，分别得到 Q （查询）、K （键）和 V （值）向量。这里用到的三个权重矩阵 WQ,WK,WV 是模型通过训练学习到的参数。
3.Softmax(Q·K/sqrt(x))->求出注意力分数，注意力分数会对值向量 V 进行加权求和，以生成每个位置的输出向量。这样，*每个输出向量就是输入序列中所有位置的信息的加权组合*，其中的权重反映了每个输入位置对当前输出位置的重要性。

实际 Transformer 模型中，会使用“多头注意力”机制(multi-head-attention)，即并行地进行多次上述 2,3 注意力计算，每次使用不同的 Q 、K 、V 权重矩阵。这允许模型在不同的表示子空间中捕获信息。然后，所有头的输出会被拼接起来，并通过另一个线性层进行变换，以生成最终的多头注意力层的输出。

[summerzhen]

时间预测领域的近几年的几个 sota：Informer ，FEDformer ，Autoformer ，PatchTST ，都是魔改 Transformer

[LeeReamond]

@lrigi 工作不做这个，用 NLP 属于业余在做，不值一提。

@flyv2x 是我想错了，不过按照这个说法，先是 W(...)到 Q,K ，然后 Q·K 这步会消融原有的维度和空间关系，因为他们之间没有经过非线性激活，所以还是可以认为是经过了一个线性层，然后后面 FFN 外加 1.5 个线性层这样。我现在不是很确定，比如输入就是一楼里写的[1, 3, 2]这个形状，忽略编码部分以后，看数学公式似乎它的 3 维度和 2 维度两个方向上似乎在关系捕捉上没有什么区别？

@Yuhyeong 榜都看过，不傻的都知道行，只不过行不行是相对而言。以前在跟做 CV 方向的朋友聊天中谈过，相对 NLP 领域 Transformer 是完全成为新 baseline ，CV 这边 ViT 的很多方法只是看起来不错，具体需要 argue 的地方也很多，并没有成为行业新标准，同样不能秒杀 CNN 。效率问题只是一方面，另一方面是 patch+全局感受域带来的近视眼问题，ImageNet 这样脱离实际应用场景的低分场景下跑分性能不错。

[Yuhyeong]

@LeeReamond 没完全替代 cnn 是因为 cv 领域本身更偏向边缘设备落地，比 nlp 有更高的实用需求，落地边缘设备的话谁会选择性能难以优化的 Transformer 呢，杀鸡也没必要上牛刀，不像 NLP ，有几个出名的 NLP 项目是不依赖于高性能工作站的？ Transformer 可不是仅仅看起来不错而已。
> Q 的第一维只会和 K 的第一维发生关系
你主要还是没学习基本原理，做这么久 NLP 实在不应该，QKV 矩阵怎么算的你都不清楚。QKV 是完全依赖全局序列关系得到的，完全考虑了每个分段的语义信息和相关性，根本不存在你说的只会和当前状态有关系。他替代 RNN 类时序模型，最大的原因就是 transfomer 能捕捉更多更完整的上下文信息，而且 QKV 矩阵本身就已经从高纬度语义空间上获取了更多的信息。近视眼是因为 attention 本身就会专注于人类视角中认为更关键的的信息，从 attention 的名字你应该就能注意到了。你不能期望一个小小的 backbone 去解决所有问题，照你这个逻辑，你可以说 cnn 远视眼，所以不好用呢。