transformer.tex 6.38 KB
Newer Older
Loïc Barrault's avatar
Loïc Barrault committed
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
%!TEX root = m2_trad_neuronale.tex

\section{Transformers}
\sectionpage


%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

\begin{frame}
  \frametitle{Modèle non récurrent pour la traduction}

\begin{block}{}
    \begin{itemize}
    \item Maîtrise du gradient difficile dans les RNN
    \item[\ra] GRU et LSTM améliorent la chose
    \item[\ra] Mécanisme d'attention permet de réduire le chemin des gradients
    \item[]
    \item[\ra] Nouveau modèle proposé par \cite{VaswaniSPUJGKP17}
    \item Plus de récurrence, 
    \item Modèle largement paralélisable
    \item Nouvel état de l'art depuis quelques mois !
    \end{itemize}
    
\end{block}
\end{frame}

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
 
 \begin{frame}
  \frametitle{Transformer}
  
\begin{block}{"Attention is all you need", \cite{VaswaniSPUJGKP17}}
\centering{
  \includegraphics[height=0.75\textheight]{transformer_architecture}
}  
\end{block}
\end{frame}

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
 
 \begin{frame}
  \frametitle{Transformer : composants clés}
\begin{columns}
\begin{column}{.60\textwidth}
\begin{block}{}
\begin{itemize}
\item Modèle encodeur/décodeur
\item[\ra] profond \Ra\ $N$ couches
\item Embedding positionnels
\item[\ra] Crée un embedding encodant la place du mot dans la phrase
\item Attention multiple (\texttt{multi-head})
\item Projection \texttt{feed-forward} 
\item[\ra ] réduction de dimension
\item Connexions résiduelles
\item[\ra] Facilite la propagation des gradients (cf. cours sur les CNN)
\end{itemize}
\end{block}
\end{column}
\begin{column}{.40\textwidth}

%\begin{block}{"Attention is all you need", \cite{VaswaniSPUJGKP17}}
\centering{
  \includegraphics[height=0.60\textheight]{transformer_architecture}
}  
%\end{block}
\end{column}
\end{columns}  
\end{frame}


%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
 
 \begin{frame}
  \frametitle{Embedding positionnels}
  
\begin{block}{}
\begin{itemize}
\item Modèle non récurrent, non convolutionnel
\item[\ra] perte de l'information positionnelle
\item[\ra] absolue ou relative
\item[]
\centering{ $PE_{(pos, 2i)} = sin(pos / 10000^{2i/emb})$ 
$PE_{(pos, 2i+1)} = cos(pos / 10000^{2i/emb})$ }
\end{itemize}

\centering{
  \includegraphics[height=0.30\textheight]{positionnal_emb}
}  
\begin{itemize}
\item Autre solution: apprendre un embedding \ra\ pas de différence
\end{itemize}
\end{block}

\end{frame}


%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
 
 \begin{frame}
  \frametitle{Multi-head attention}
  
\begin{columns}
\begin{column}{.55\textwidth}
\begin{block}{}
\begin{itemize}
\item Attentions multiples
\item[\ra] focus sur plusieurs sous-espaces de représentations
\item[\ra] différentes positions
\item En comparaison: 1 seule attention moyenne cela
\end{itemize}
\end{block}

{\small
$MultiAtt(\vm{Q}, \vm{K}, \vm{V}) = Concat ( Att_1, \dots, Att_h) \mW^O $ \\
avec \\
$ Att_i = Attention(\vm{Q}\mW_i^Q, \vm{K}\mW_i^K, \vm{V}\mW_i^V)$
}
\end{column}
\begin{column}{.40\textwidth}

%\begin{block}{}
\centering{
    \includegraphics[height=0.65\textheight]{multi_head_attention}
}  
%\end{block}
\end{column}
\end{columns}\end{frame}


%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
 
 \begin{frame}
  \frametitle{Scaled dot product attention}
  
\begin{columns}
\begin{column}{.5\textwidth}
\begin{block}{}
\begin{itemize}
\item Attention = \textit{mapping} 
	\begin{itemize}
	\item requête (\texttt{query Q}) 
	\item ensemble de paires clé-valeur (\texttt{K, V})
	\item[\ra] sortie \texttt{O}
	\end{itemize}
	\item \texttt{0} = $\sum_i \alpha_i V_i$ avec $\alpha_i = f(\texttt{Q}, \texttt{K})$
\item[\Ra]
$Attention(\texttt{Q}, \texttt{K}, \texttt{V}) = Softmax \left( \frac{\texttt{Q}\texttt{K}^T}{\sqrt{d_k}} \right) \texttt{V} $ 
\end{itemize}
\end{block}

\end{column}
\begin{column}{.45\textwidth}

%\begin{block}{}
\centering{
  \includegraphics[height=0.75\textheight]{scaled_dot_product_attention}
}  
%\end{block}
\end{column}
\end{columns}\end{frame}


%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
 
 \begin{frame}
  \frametitle{Transformer : attention}
  
\begin{block}{3 différentes utilisations de l'attention}
\begin{itemize}
\item Traditionnelle : 
\begin{itemize}
\item \texttt{Q} : couche décodeur précédente, \texttt{K} et \texttt{V} : sortie de l'encodeur
\item[\ra] Décodeur porte son attention sur les entrées
\end{itemize}\begin{itemize}
\item Auto-attention : \texttt{self-attention} dans l'encodeur 
\item \texttt{Q}, \texttt{K} et \texttt{V} : couche encodeur précédente
\end{itemize}\item Auto-attention : \texttt{self-attention} dans le décodeur
\begin{itemize}
\item \texttt{Q}, \texttt{K} et \texttt{V} : couche décodeur précédente
\item[!] ne prend en compte que le contexte gauche (modèle auto-régressif)
\end{itemize}\end{itemize}\end{block}
\end{frame}


%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
 
 \begin{frame}
  \frametitle{Transformer : animation}
  
 \vspace{2cm} 
\begin{block}{}
\centering{
\href{https://3.bp.blogspot.com/-aZ3zvPiCoXM/WaiKQO7KRnI/AAAAAAAAB_8/7a1CYjp40nUg4lKpW7covGZJQAySxlg8QCLcBGAs/s1600/transform20fps.gif}{\huge{Animation}}
}  
\end{block}
\end{frame}




%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
 
 \begin{frame}
  \frametitle{Transformer : visualisation de l'attention}
  
\begin{block}{L'attention est modifiée en fonction de la phrase}
\centering{
  \includegraphics[width=0.70\textwidth]{transformer_inner_attention_src}
  \vspace{.5cm}
   \includegraphics[width=0.70\textwidth]{transformer_inner_attention}
}  
\end{block}
\end{frame}


%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
 
 \begin{frame}
  \frametitle{Transformer : visualisation de l'attention}

\begin{itemize}
\item La combinaison des attentions modélise des phénomènes linguistiques
\end{itemize}

\begin{block}{Anaphores}
\centering{
  \includegraphics[width=0.70\textwidth]{att_vis_1}
}  

\end{block}
\end{frame}


%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
 
 \begin{frame}
  \frametitle{Impact sur l'état de l'art}

\begin{itemize}
\item Campagnes d'évaluation WMT
\end{itemize}

\begin{block}{}
\begin{itemize}
\item 2017: \url{http://matrix.statmt.org/matrix/systems_list/1869}  %2017
\item 2018: \url{http://matrix.statmt.org/matrix/systems_list/1881}  %2018
\end{itemize}
\end{block}
\end{frame}