使用注意力机制的seq2seq（Bahdanau 注意力）

（一）使用注意力机制的seq2seq

机器翻译中，每一个生成的词可能相关于原句子中不同的词。因为两种语言的单词并不都是一一对应的，有可能一个词对应的是两个词，并且语序可能也不一样。我们想要的是神经网络能够有意识的去根据重点去预测，然而seq2seq是没法做到的，因为他往解码器中传入的是最后一个隐藏层的隐状态。然后再进行预测。

（1）加入注意力

之前我们在seq2seq的模型中解码器的输入是，最后一层的隐状态和embedding concat起来作为解码器的输入。这样其实是不够好的。我们是希望对应着翻译。

• 编码器对每次词的输出作为 key 和 value（ key 和 value 是一样的）例如：某一小段词的长度是3，那么就会生成三个键值对；
• 解码器RNN对上一个词的输出是 query ；
• 注意力的输出和下一个词的词 concat 进入下一次预测；

（2）总结

• seq2seq中通过隐状态在编码器和解码器中传递消息。
• 注意力机制可以根据解码器RNN的输出来匹配到合适的编码器RNN的输出来更有效的传递信息。

（二）代码实现

import torch
from torch import nn
from d2l import torch as d2l

# 带有注意力机制的解码器基本接口
class AttentionDecoder(d2l.Decoder):
    """带有注意力机制解码器的基本接口"""
    def __init__(self, **kwargs):
        super(AttentionDecoder, self).__init__(**kwargs)

    # @property是python的一种装饰器，是用来修饰方法的。创建只读属性
    # 调用的时候不需要加（），加括号反而会报错
    # 因为python没有私有属性，所以可以通过@property来设置，可以隐藏属性名，让用户使用的时候无法随意修改
    @property
    def attention_weights(self):
        raise NotImplementedError

接下来，让我们在接下来的Seq2SeqAttentionDecoder类中
实现带有Bahdanau注意力的循环神经网络解码器。

首先，我们初始化解码器的状态，需要下面的输入：

1. 编码器在所有时间步的最终层隐状态，将作为注意力的键和值；
2. 上一时间步的编码器全层隐状态，将作为初始化解码器的隐状态；
3. 编码器有效长度（排除在注意力池中填充词元）。

在每个解码时间步骤中，解码器上一个时间步的最终层隐状态将用作查询。
因此，注意力输出和输入嵌入都连结为循环神经网络解码器的输入。

class Seq2SeqAttentionDecoder(AttentionDecoder):
    def __init__(self, vocab_size, embed_size, num_hiddens, num_layers, dropout=0, **kwargs):
        super(Seq2SeqAttentionDecoder, self).__init__(**kwargs)
        # 在解码器中放入attention(key_size, query_size, num_hiddens, dropout)
        self.attention = d2l.AdditiveAttention(num_hiddens, num_hiddens, num_hiddens, dropout)
        self.embedding = nn.Embedding(vocab_size, embed_size)
        self.rnn = nn.GRU(embed_size + num_hiddens, num_hiddens, num_layers, dropout=dropout)
        self.dense = nn.Linear(num_hiddens, vocab_size)

    def init_state(self, enc_outputs, enc_valid_lens, *args):
        # outputs的形状为(num_steps，batch_size，num_hiddens).
        # 经过permute之后变成了(batch_size,num_steps,num_hiddens)
        # hidden_state的形状为(num_layers，batch_size，num_hiddens)
        outputs, hidden_state = enc_outputs
        return (outputs.permute(1, 0, 2), hidden_state, enc_valid_lens)

    def forward(self, X, state):
        # enc_outputs的形状为(batch_size,num_steps,num_hiddens).
        # hidden_state的形状为(num_layers,batch_size, num_hiddens) torch.Size([2, 4, 16])
        enc_outputs, hidden_state, enc_valid_lens = state
        # 输出X的形状为(num_steps,batch_size,embed_size)
        X = self.embedding(X).permute(1, 0, 2)
        outputs, self._attention_weights = [], []
        # print(hidden_state.shape) # torch.Size([2, 4, 16])
        for x in X:
            # query是最后一层隐状态的输出
            # query的形状为(batch_size,1,num_hiddens) torch.Size([4, 1, 16])
            # hidden_state的形状(num_layers,batch_size,num_hiddens)
            # print(hidden_state[-1].shape) # torch.Size([4, 16])
            query = torch.unsqueeze(hidden_state[-1], dim=1) # torch.Size([4, 1, 16])
            # context的形状为(batch_size,1,num_hiddens)
            # enc_outputs的形状为(batch_size,num_steps,num_hiddens).torch.Size([4, 7, 16])
            context = self.attention(query, enc_outputs, enc_outputs, enc_valid_lens) # (queries, keys, values, valid_lens)
            # socres_shape = torch.Size([4, 1, 7])
            # socres * value = torch.Size([4, 1, 16])
            # 在特征维度上连结
            x = torch.cat((context, torch.unsqueeze(x, dim=1)), dim=-1)
            # 将x变形为(1,batch_size,embed_size+num_hiddens)
            out, hidden_state = self.rnn(x.permute(1, 0, 2), hidden_state)
            outputs.append(out)
            self._attention_weights.append(self.attention.attention_weights)
        # 全连接层变换后，outputs的形状为(num_steps,batch_size,vocab_size)
        outputs = self.dense(torch.cat(outputs, dim=0))
        return outputs.permute(1, 0, 2), [enc_outputs, hidden_state, enc_valid_lens]

    @property
    def attention_weights(self):
        return self._attention_weights

encoder = d2l.Seq2SeqEncoder(vocab_size=10, embed_size=8, num_hiddens=16,
                             num_layers=2)
encoder.eval()
decoder = Seq2SeqAttentionDecoder(vocab_size=10, embed_size=8, num_hiddens=16,
                                  num_layers=2)
decoder.eval()
X = torch.zeros((4, 7), dtype=torch.long)  # (batch_size,num_steps)
state = decoder.init_state(encoder(X), None)
output, state = decoder(X, state)
output.shape, len(state), state[0].shape, len(state[1]), state[1][0].shape

embed_size, num_hiddens, num_layers, dropout = 32, 32, 2, 0.1
batch_size, num_steps = 64, 10
lr, num_epochs, device = 0.005, 250, d2l.try_gpu()

train_iter, src_vocab, tgt_vocab = d2l.load_data_nmt(batch_size, num_steps)
encoder = d2l.Seq2SeqEncoder(len(src_vocab), embed_size, num_hiddens, num_layers, dropout)
decoder = Seq2SeqAttentionDecoder(len(tgt_vocab), embed_size, num_hiddens, num_layers, dropout)
net = d2l.EncoderDecoder(encoder, decoder)
d2l.train_seq2seq(net, train_iter, lr, num_epochs, tgt_vocab, device)

engs = ['go .', "i lost .", 'he\'s calm .', 'i\'m home .']
fras = ['va !', 'j\'ai perdu .', 'il est calme .', 'je suis chez moi .']
for eng, fra in zip(engs, fras):
    translation, dec_attention_weight_seq = d2l.predict_seq2seq(
        net, eng, src_vocab, tgt_vocab, num_steps, device, True)
    print(f'{eng} => {translation}, ',
          f'bleu {d2l.bleu(translation, fra, k=2):.3f}')

attention_weights = torch.cat([step[0][0][0] for step in dec_attention_weight_seq], 0).reshape((
    1, 1, -1, num_steps))

# 加上一个包含序列结束词元
d2l.show_heatmaps(
    attention_weights[:, :, :, :len(engs[-1].split()) + 1].cpu(),
    xlabel='Key positions', ylabel='Query positions')