序列任务的损失函数

为了有效地训练Transformer模型，准确衡量其性能是必不可少的。训练的目标是调整模型的参数（权重和偏差），使其预测结果越来越接近实际的目标序列。为了指导这个过程，我们需要一种方法来量化预测输出与真实输出之间的“误差”或“差异”。这就是损失函数（有时也称为成本函数或目标函数）的作用。

对于Transformer处理的大多数序列到序列任务，例如机器翻译、文本摘要或问答，模型需要预测一系列标记（词语、子词、字符）。在输出序列的每一步，模型实际上都执行一个分类任务：它尝试从整个词汇表中预测正确的下一个标记。

交叉熵损失：常用选择

鉴于每个时间步的这种分类性质，用于训练Transformer进行序列生成任务的最常用损失函数是交叉熵损失。你可能还记得简单神经网络中分类问题里的交叉熵。在这里，我们将其重复应用于整个序列。

让我们拆解它在Transformer背景下的工作原理：

1. 模型输出： 对于输出序列中的每个位置，Transformer的解码器（具体来说，是最终的线性层加上一个softmax函数）生成一个覆盖整个目标词汇表的概率分布。如果我们的词汇表有$V$个标记，则位置$t$的输出是一个概率向量$P_t = [\hat{y}_{t,1}, \hat{y}_{t,2}, ..., \hat{y}_{t,V}]$，其中$\hat{y}_{t,i}$是模型预测位置$t$处的标记是词汇表中第$i$个标记的概率。这些概率之和为1（$\sum_{i=1}^{V} \hat{y}_{t,i} = 1$）。

2. 目标输出： 实际目标序列提供“真实情况”。对于给定位置$t$，我们知道正确的标记。这通常隐式表示为一个整数索引，对应词汇表中正确标记的位置；或者显式表示为一个大小为$V$的独热编码向量$Y_t$。这个向量在正确标记的索引处为1，其他地方为0。例如，如果正确标记是词汇表中的第5个词，则$Y_t = [0, 0, 0, 0, 1, 0, ..., 0]$。

3. 计算损失： 交叉熵损失衡量预测概率分布$P_t$与真实分布（由$Y_t$表示）之间的差异。对于单个位置$t$，公式是：

   $$H(Y_t, P_t) = - \sum_{i=1}^{V} Y_{t,i} \log(\hat{y}_{t,i})$$

   由于$Y_t$是一个独热向量，只有与正确标记对应的项（假设其索引为$c$）是非零的（$Y_{t,c} = 1$）。因此，求和简化为：

   $$H(Y_t, P_t) = - \log(\hat{y}_{t,c})$$

   这意味着单个位置的损失简单地是模型分配给正确标记的概率的负对数。

   • 如果模型非常自信并为正确标记分配了高概率（接近1），则$\log(\hat{y}_{t,c})$接近0，损失很小。
   • 如果模型为正确标记分配了低概率（接近0），则$\log(\hat{y}_{t,c})$是一个大的负数，并且损失$- \log(\hat{y}_{t,c})$变得很大。

跨序列和批次的损失汇总

我们为目标序列中的每个位置（填充位置除外，见下文）计算此交叉熵损失。为了得到单个序列的总损失，我们通常会平均该序列中所有有效（非填充）位置的损失值。

最后，由于我们使用小批次进行训练，整个批次的损失通常是该批次中所有序列损失的平均值。这个最终的平均批次损失是优化算法（例如Adam）通过反向传播更新模型参数时尝试最小化的值。

处理填充

还记得我们为了使批次中的序列长度一致而添加的那些填充标记吗？我们不希望模型因为在这些填充位置上的预测而受到惩罚。它们只是批处理过程的产物，不代表实际内容。

因此，在计算损失时，我们需要确保这些填充位置的损失贡献被忽略。大多数深度学习框架都提供了轻松处理此问题的方法：

1. 使用掩码： 我们可以使用注意力掩码（或创建一个特定的损失掩码）来识别填充位置。然后修改损失计算，在平均之前将每个位置的损失乘以掩码值（填充为0，实际标记为1），从而有效地将填充部分的损失清零。
2. 内置功能： 许多损失函数实现（例如PyTorch中的torch.nn.CrossEntropyLoss或TensorFlow中的tf.keras.losses.SparseCategoricalCrossentropy）都包含参数（例如ignore_index或通过使用掩码张量），这些参数允许您指定填充标记的索引，从而自动将其从损失计算中排除。

关于标签平滑的说明

虽然标准交叉熵工作良好，但有时用它训练的模型可能会对预测过于自信，尤其是在大型数据集上。它们可能会为预测的标记分配一个非常接近1.0的概率。这有时会损害泛化能力。

在Transformer中与交叉熵损失一同使用的常用正则化技术是标签平滑。标签平滑不是要求模型以100%的概率预测目标标记（使用$[0, 0, 1, 0]$这样的硬性独热目标），而是稍微修改目标分布。它为真实标记分配一个稍低的概率（例如，$1 - \epsilon$），并将剩余的小概率质量$\epsilon$分配到词汇表中的所有其他标记上。

例如，当平滑因子$\epsilon = 0.1$时，正确类别的目标分布可能看起来更像$[0.0001, 0.0001, 0.9, 0.0001, ...]$。这鼓励模型稍微降低确定性，这通常能带来更好的性能和稳定性。我们在这里不会讨论实现细节，但这是一种在训练大型Transformer模型时值得了解的有用技术。

总之，交叉熵损失是训练Transformer进行序列生成任务的得力工具。它有效地衡量模型在每个位置预测下一个标记的准确程度，为学习提供梯度信号，并且可以轻松适应以处理填充并纳入标签平滑等技术。理解这种损失的计算方式对于解释训练过程和诊断潜在问题很重要。