Transformer 是 CNN 是 GNN 是 RNN，Attention is all you need！

现在回头看 17 年那句 Attention is all you need，真是神预言，Transformer 模型从自然语言处理机器翻译开始，先是慢慢的影响（18 年中毕业论文我都还 LSTM），然后席卷整个 NLP 领域，特别是 BERT 出来后，其他啥的都丢一边去了，等 NLP 影响一圈，又开始辐射其他领域，比如 CV 领域也用得多起来，比如之前目标检测那篇。

无疑 Transformer 能传播开来，与它模型本身出色的 Flexibility 和 Scalability 都密切相关。Flexibility 让他能处理各种任务，而 Scalability 又能让它能充分撬动起不断增长的计算资源。因为受欢迎程度，大家也开始慢慢研究它本身，从各种视角看它了。

正如之前这篇2020-0713里面说的一句，研究范式就是

1）首先，大佬发明新方法或架构；
2）之后，有新锤子了，大家都换上新锤子，开始到处找钉子，这也就是所谓的低垂果实；
3）接着，好找的钉子都没了，大家就开始分析锤子本身，你看这锤又大又硬，但还是有一些缺点，我们还能怎么改改；
4）发布新的数据集，更好测试。

现在是大家 纷纷研究分析锤子本身的时候 ，你看这锤又大又硬，这一看，怎么还跟那啥有点像。

诶，跟那 CNN 还有点像

这个说法主要来源这篇 ICLR 666 论文： On the Relationship between Self-Attention and Convolutional Layers

该论文主要是证明了，当一个多头自注意力机制层在加上一个适当的相对位置编码的时候，可以表示任何卷积层。

其中多头是为了能关注类似 CNN 感知域中的每个像素位置，所以一个头数为 N 的多头自注意力可以模拟感知域为的 CNN 卷积核。

然后相对位置编码主要是为了保证 CNN 里的 Translation Invariance 性质。

虽然这篇明确指出，但最早察觉到 CNN 和 Transformer 关系时候，还并不是这篇，是在读 Dynamic CNN 那篇， Pay Less Attention with Lightweight and Dynamic Convolutions . 当时复现了 Dynamic CNN 后发现里面有些性质和 Transformer 很像。

诶，跟那 GNN 也有点像

主要说法来源这篇博客：Transformers are Graph Neural Networks（https://graphdeeplearning.github.io/post/transformers-are-gnns/）

先来看看 GNN 的主要结构，对于一张有节点和边的图

算某个节点的特征表示时，是通过 neighbourhood aggregation 搜集相邻节点特征来更新自身表示，从而能学习到图上的局部结构。而和 CNN 类似，只要叠个几层，就能慢慢将学习范围扩大，传播至整张图。

所以最基本的计算形式是下面这个公式，和 都是学习参数，然后 是计算节点，是临近节点。式子里面的 就算是这里面的一个 Aggregation 函数，也可以用各种其他方式来做。最后还有个 非线性.

于是表示成图片是

这时将 Transformer 的自注意力机制用类似图表示出来

已经很类似了。不同之处在于，对原来最基础 GNN 里简单的加和 aggregation 函数进行了复杂化， 变成了基于注意力机制的，带权重的加和 ，计算过程也不是通过单纯学习一个矩阵，而是通过和临近节点的点乘（或其他一些方式）。

于是这样看来，在 NLP 里面自注意力机制就相当于把句子看成是一个全连接图，每个词都和句子中其他词相邻，因此计算时，将所有词都考虑进来。正因为这种全连接性质，才导致 Transformer 一个被诟病的性质，一旦增加句子长度，计算复杂度是成 O(N^2) 增长，当句长很长时这个代价是非常大的。

当然最近也有很多论文，比如 Reformer, Linformer 等等尝试解决这个问题。

而对于 Transformer 中的有些研究，想做 Local Attention，其实就相当于加入了先验认为，句子中相近的词算是相邻节点。

诶，怎么还和 RNN 有点像

最后这个来自最近这篇论文， Transformers are RNNs: Fast Autoregressive Transformers with Linear Attention .

直接了当，Transformer 是 RNN, Q.E.D.

开玩笑，翻开论文会发现前面一大半都没说哪里像 RNN，反而一大片写如何优化 Transformer，给计算复杂度降到线性。包括用核函数来简化 Attention 计算过程，还有替换掉 Softmax. 但读到后面才发现，正因为这些优化特别是核函数优化，才能在最后处理 Causal Masking 时推出，与 RNN 计算过程的相似。

从头捋一遍就是，对于一般通用的 Attention 形式它的公式如下

熟悉的 QKV，Q 和 K 利用相似（sim）函数计算出一个分数，之后除以分数总和获得 Attention 权重，之后去 V 里取值。

接着用核函数，对 sim 函数进行处理，再利用结合律，将 Q 运算提出来

之后引入两个简化表示

整个方程就变成了

于是在 Causal Masking 时，对于 S 和 Z 每个时间步，之前时间步计算结果都能复用，所以可将 S 和 Z 看做是两个隐状态，能在每个时间步根据当前输入来更新自己的状态，而这恰恰就是 RNN 的主要思想。