Attention机制

作者: 巴拉巴拉_9515 | 来源:发表于2022-10-22 16:30 被阅读0次

1、引入

英语长句子优先找出主谓宾，人像油画会先看眼睛，...。人在观察事物的时候会抓住重点，所以想让机器也具备这种“抓住重点”的能力。

最早用于机器翻译场景。使用固定大小（fixed-size）的representation去概括非常长的句子的所有语言义细节是非常困难的。
对于一个(RNN\LSTM...)深层网络模型，如何让它知道什么是重点？什么没那么重要？抓住重点可以降低困难。

那么如何实现“抓住重点”的目的呢？

2、什么是Attention？

Transformer中关于Attention的解释，写成公式大概是：
$Attention(Q,K,V) = \alpha(Q,K)V =softmax(f(Q,K))V$
其中 $\alpha$ 为Attention weight。

原文： An Attention function can be described as mapping a query and a set of key-value pairs to an output, where the query, keys, values, and output are all vectors. The output is computed as a weighted sum of the values, where the weight assigned to each value is computed by a compatibility function of the query with the corresponding key.

翻译： Attention可以描述为将query和一组key-vlaue映射成一个output，其中query，key，value和output都是向量。output的计算为values的加权总和，其中分配给每个value的权重通过query与相应key的兼容函数计算。

补充

输入：K,Q,V
涉及函数： compatibility function $f$ ，softmax()
计算步骤：
【步骤一】基于KQ计算两个向量相似程度；
【步骤二】softmax函数可以将各种输入值压缩到0-1的范围上，这样就可以得到对Values关注应该分布的注意力强弱了。
【步骤三】乘上values得到具有关注信息的新的向量output。

Attention本身概念并不复杂，就是基于query和key计算一个权重，然后对value重新赋值。

2.1、f是怎么？

函数 $f(Q,K)$ 旨在获得query和key的相似程度，有很多的计算方法。

不过最出名的是Scaled Dot-Product方法，对QK做内积计算，然后乘上缩放因子 $\frac{1}{\sqrt{d_k}}$ ，其中 $d_k$ 是query和key的维度。
$f(Q,K) = \frac{QK^T}{\sqrt{d_k}}$

讲到Attention，常见到下图，指的就是Scaled Dot-Product Attention，特指 $f(Q,K)$ 是Scaled Dot-Product的Attention，来源与Transformer论文。

2.2、QKV是什么东西？

在不同场景下QKV是不一样的。

2.2.1、机器翻译场景

Attention机制最早在机器翻译的场景中出现，引入Attention后提升了长文本的翻译效果。

随着序列长度的增长，加了Attention的翻译模型仍旧保持较高的Bleu得分。

机器翻译采用seq2seq的结构，一个encoder，一个decoder。编码器对每次词的输出作为key和value，解码器对上一个词的输出作为query。Attention基于key和query计算权重值，输出对原本的value赋予权重后的结果。

进一步解释：比如把法语翻译成英语，每个词作为一个输入，经过embedding+双向RNN编码处理，输出的值作为Attention需要的key和value。query取的是上一个词翻译的结果。
Attention操作后，改变了每个词的重要性。比如翻译出第一个词“Jane”，原本每个法语词对翻译出“Jane”的重要性都是一样的，加入Attention之后，给法语“Jane”更大的权重，使得翻译容易进行。

所以在翻译场景中，key和value其实是同一个东西，是输入词经过编码处理后的输出；query是上一个词经过解码后的结果。

2.2.2、Transformer

Transformer里有三个相关的Attention层。
1，2的Key,Value,Query，是一根线过来复制三下的，用的是同一个东西；
3的query来自上一个解码器层，keys和values来自编码器的输出。

3、常见Attention

3.1、self-Attention

传统的Attention是基于source端和target端的隐变量计算Attention,得到的结果是源端的每个词与目标端每个词之间的依赖关系。
self-Attention，顾名思义，self就是自己，关注自身的注意力，source端和target端都是自身，关注自身的依赖关系。

虽然self-Attention的query，key，value都是同一个来源 $I$ ，但还是有点差异的，引入了三个对应的权重 $W^q, W^k, W^v$ ，由模型训练得到。

小结：self-Attention就是query，key-value都是同个东西，研究自身内部的关系

3.2、Multi-Head Attention

Multi-Head Attention并行计算多个attention，再把输出的结果合并起来。

$MultiHead(Q,K,V) = Concat(head_1,...,head_h)W^O$

其中 $head_i = Attention(Q, K, V)$ ，
当这个attention是self-attention时， $head_i = Attention(QW_i^Q, KW_i^K, VW_i^V)$

3.3、其他Attention

基于query,key获得attention matrix，当句子很长的时候，N*N的计算量会很大的。

所以要想办法把这个矩阵的计算复杂度降低。提出了很多杂七杂八的attention，比如Local Attention，stride Attention，Global Attention，...，反正都是想办法把矩阵计算的复杂度降低^[4]。

4、其他

4.1、position信息

Transformer是完全使用Attention的，没有用之前的循环或者卷积。但Attention是没有记录位置信息的，所以需要有位置信息。

所以在Transformer的框架图里会有Positional Encoding。

4.2、Attention代码实现

【暂放】更多探索

# Scaled Dot-product attention layer
tf.keras.layers.Attention(use_scale=True, score_mode="dot", **kwargs)

4.3、补充

知名的Transformer（变形金刚）论文全名是《Transformer：Attention is all you need》，Transformer框架中涉及self-attention，multi-head attention，masked multi-head attention。

然后之后就出现了很多“xxx is all you need”的论文。

参考资料

[1] 李沐，66 使用注意力机制的seq2seq【动手学深度学习v2】
[2] 吴恩达，P170 注意力模型直观理解
[3] 论文， Trandsformer：Attention is all you need
[4] 李宏毅， P34 各种self-attetion

网友评论

本文标题：Attention机制

本文链接：https://www.haomeiwen.com/subject/lsvuortx.html

延伸阅读

深度阅读

您也可以注册成为美文阅读网的作者，发表您的原创作品、分享您的心情！