一文详解Attention机制

我会带着你远行 2023-03-02 05:08 203阅读 0赞

## Attention机制 ##

我们知道Seq2Seq模型有一个缺点就是句子太长的话encoder会遗忘，那么decoder接受到的句子特征也就不完全，我们看一下下面这个图，纵轴BLUE是机器翻译的指标，横轴是句子的单词量，我们可以看出用了attention之后模型的性能大大提升。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L01vcmVBY3Rpb25f_size_16_color_FFFFFF_t_70]  
用了注意力机制，Decoder每次更新状态的时候都会再看一遍encoder所有状态，还会告诉decoder要更关注哪部分，这也是attention名字的由来。但是缺点就是计算量很大。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L01vcmVBY3Rpb25f_size_16_color_FFFFFF_t_70 1]

## Attention原理 ##

在encoder结束之后，attention和decoder同时工作, 回忆一下，decoder的初始状态  s 0 s\_\{0\} s0 是 encoder最后一个状态, 不同于常规的Seq2Seq, encoder所有状态都要保留，这里需要计算  s 0 s\_\{0\} s0 与每个状态的相关性, 我使用  α i = aligh ⁡ ( h i , s 0 ) \\alpha\_\{i\}=\\operatorname\{aligh\}\\left(h\_\{i\}, s\_\{0\}\\right) αi=aligh(hi,s0) 这个公式表示计算两者相关性，把结果即为  α i , \\alpha\_\{i\}, αi, 记做Weight, encoder有m个状态, 所以一共有m个  α , \\alpha, α, 这里所有的值都是介于0和1的实 数, 全部加起来为1。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L01vcmVBY3Rpb25f_size_16_color_FFFFFF_t_70 2]  
下面看一下怎么计算这个相似性。第一种方法是把  h i h\_\{i\} hi 和  S o S\_\{o\} So 做concat得到更高的向量，然后求矩 阵W与这个向量的乘积, 得到一个向量, 然后再将tanh作用于向量每一个元素，将他压到-1和1之 间，最后计算向量V与刚才计算出来的向量的内积, 这里的向量V和矩阵W都是参数，需要从训练 算出m个  α \\alpha α 后，需要对他们做一个softmax变换, 把输出结果记做  α 1 \\alpha\_\{1\} α1 到  α m , \\alpha\_\{m\}, αm, 因为 是softmax输出，所以他们都大于0相加为1，这是第一篇attention论文提出计算的方法，往后有 很多其他计算的方法，我们来介绍一种更常用的方法。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L01vcmVBY3Rpb25f_size_16_color_FFFFFF_t_70 3]  
输入还是  h i h\_\{i\} hi 和  S 0 , S\_\{0\}, S0, 第一步是分别使用两个参数矩阵  W k , W q W\_\{k\}, \\quad W\_\{q\} Wk,Wq 做线性变换, 得到  k i k\_\{i\} ki 和  q 0 q\_\{0\} q0 这两 个向量, 这两个参数矩阵要从训练数据中学习。第二步是计算  k i k\_\{i\} ki 与  q 0 q\_\{0\} q0 的内积, 由于有m个K向 量, 所以得到L个  α i \\alpha\_\{i\} αi 。第三步就是对这些值做一个softmax变换,  α 1 \\alpha\_\{1\} α1 到  α m , \\alpha\_\{m\}, αm, 因为是softmax输 出，所以他们都大于0相加为1。这种计算方法被Transformer模型采用, Transformer模型是当前 很多nlp问题采用的先进模型。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L01vcmVBY3Rpb25f_size_16_color_FFFFFF_t_70 4]  
刚才讲了两种方法来计算  h i h\_\{i\} hi 和  S 0 S\_\{0\} S0 的相关性，现在我们得到了m个相关性  α , \\alpha, α, 每个  α \\alpha α 对应每个状 态  h i , h\_\{i\}, hi, 有了这些权車  α \\alpha α 我们可以对m个状态计算加权平均, 得到一个Context vector  C 0 C\_\{0\} C0 。每一 个Context vector都会对应一个decoder状态  s i s\_\{i\} si  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L01vcmVBY3Rpb25f_size_16_color_FFFFFF_t_70 5]  
接下来我们来看一下decoder是怎么计算新的状态的。我们来回顾一下，假如不用attention，我 们是这样更新状态的，新的状态  S 1 S\_\{1\} S1 是旧状态  S 0 S\_\{0\} S0 与新输入  X 1 X\_\{1\} X1 的函数, 看一下下图左边的公式, 将两者做concat，然后乘上权重矩阵加上偏置b, 最后通过tanh就是我们的新状态，也就是说状态 的更新仅仅是根据上一个状态，并不会看encoder的状态。用attention的话更新状态还要用到我 们计算出的Context vector  C 0 , C\_\{0\}, C0, 把三个参数一起做concat后更新。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L01vcmVBY3Rpb25f_size_16_color_FFFFFF_t_70 6]  
回忆一下，  C 0 C\_\{0\} C0 是所有encoder状态  h i h\_\{i\} hi 的加权平均, 所以  C 0 C\_\{0\} C0 知道输入  X 1 X\_\{1\} X1 到  X m X\_\{m\} Xm 的完整信息, decoder新的状态  S 1 S\_\{1\} S1 依赖于  C 0 , C\_\{0\}, C0, 这样RNN遗忘的问题就解决了。下一步则是计算context vector  C 1 , C\_\{1\}, C1, 跟之前一样, 先计算权重  α i , \\alpha\_\{i\}, αi, 这里是计算  S 1 S\_\{1\} S1 跟之前encoder所有状态的相关性, 得到了m个  α , \\alpha, α, 注意一下这里的权重也是要更新的，上一轮算的是跟  s 0 s\_\{0\} s0 的相关性现在算的是跟  S 1 S\_\{1\} S1 的相关性，这样就可以通过加权平均计算出新的  C 1 C\_\{1\} C1 。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L01vcmVBY3Rpb25f_size_16_color_FFFFFF_t_70 7]  
Decoder接受新的输入 X  2 , \_\{2\}, 2, 还是用那个公式计算出新状态, 然后一直循环下去直到结束。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L01vcmVBY3Rpb25f_size_16_color_FFFFFF_t_70 8]  
我们知道在这个过程中我们会计算出很多权車  α i , \\alpha\_\{i\}, αi, 我们思考一下我们究竟计算了多少个  α \\alpha α ?想要 计算出一个context vector  C j , C\_\{j\}, Cj, 我们要计算出m个相似性权重  α , \\alpha, α, 所以每轮更新都需要计算m个 权重，假如一共有t个state, 那么一共就要计算m\\timest个权重, 也就是encoder和decoder数量的乘 积。attention为了不遗忘，代价就是高数量级的计算。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L01vcmVBY3Rpb25f_size_16_color_FFFFFF_t_70 9]

## 更抽象的理解 ##

简而言之，Attention 机制就是对输入的每个元素考虑不同的权重参数，从而更加关注与输入的元素相似的部分，而抑制其它无用的信息，具体是通过一个叫做attention函数来实现的，它是用来得到attention value的。比较主流的attention框架如下：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L01vcmVBY3Rpb25f_size_16_color_FFFFFF_t_70 10]  
上图其实可以描述出attention value的本质：它其实就是一个查询(query)到一系列键值(key-value)对的映射。

更具体的，也就是attention函数的工作实质，如下图所示：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L01vcmVBY3Rpb25f_size_16_color_FFFFFF_t_70 11]  
可以看出Attention其实就是把序列中各个元素分配一个权重系数，上面从attention函数是attention机制的工作过程。现在换一个角度来理解，我们将attention机制看做软寻址。就是说序列中每一个元素都由key(地址)和value(元素)数据对存储在存储器里，当有query=key的查询时，需要取出元素的value值(也即query查询的attention值)，与传统的寻址不一样，它不是按照地址取出值的，它是通过计算key与query的相似度来完成寻址。这就是所谓的软寻址，它可能会把所有地址(key)的值(value)取出来，上步计算出的相似度决定了取出来值的重要程度，然后按重要程度合并value值得到attention值，此处的合并指的是加权求和。

## Attention 的优缺点 ##

优点：

*  一步到位的全局联系捕捉。attention机制可以灵活的捕捉全局和局部的联系，而且是一步到位的。另一方面从attention函数就可以看出来，它先是进行序列的每一个元素与其他元素的对比，在这个过程中每一个元素间的距离都是一，因此它比时间序列RNNs的一步步递推得到长期依赖关系好的多，越长的序列RNNs捕捉长期依赖关系就越弱。
 *  并行计算减少模型训练时间。Attention 机制每一步的计算都不依赖于上一步的计算结果，因此可以并行处理。
 *  模型复杂度小，参数少

缺点：  
缺点很明显，attention机制不是一个"distance-aware"的，它不能捕捉语序顺序(这里是语序哦，就是元素的顺序)。这在NLP中是比较糟糕的，自然语言的语序是包含太多的信息。如果确实了这方面的信息，结果往往会是打折扣的。 当然这个缺点也好搞定，再添加位置信息就好了，所以就有了 position-embedding(位置向量)的概念了，这里就不细说了。

转载来源  
https://zhuanlan.zhihu.com/p/135970560  
https://zhuanlan.zhihu.com/p/35571412?spm=a2c4e.10696291.0.0.3f4619a49c8SGU  
https://www.cnblogs.com/ydcode/p/11038064.html

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L01vcmVBY3Rpb25f_size_16_color_FFFFFF_t_70]: /images/20230208/15f04edddd424a8b81ce2747577a2c6a.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L01vcmVBY3Rpb25f_size_16_color_FFFFFF_t_70 1]: /images/20230208/567676fb69404e9e8cbde02d378c606d.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L01vcmVBY3Rpb25f_size_16_color_FFFFFF_t_70 2]: /images/20230208/f760df0e52e44ae0ad9af87048c2bb49.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L01vcmVBY3Rpb25f_size_16_color_FFFFFF_t_70 3]: /images/20230208/8e9e81a247bb46e399012ca13560e817.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L01vcmVBY3Rpb25f_size_16_color_FFFFFF_t_70 4]: /images/20230208/dc42b68fd2ec40919cfa907f576ae0b4.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L01vcmVBY3Rpb25f_size_16_color_FFFFFF_t_70 5]: /images/20230208/2cd89b1bd4f543ac8852018947a0bbcd.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L01vcmVBY3Rpb25f_size_16_color_FFFFFF_t_70 6]: /images/20230208/9a83ce210f38412ebbb2e35b08704768.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L01vcmVBY3Rpb25f_size_16_color_FFFFFF_t_70 7]: /images/20230208/764e2dfe85544d20b84633b78f89ac21.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L01vcmVBY3Rpb25f_size_16_color_FFFFFF_t_70 8]: /images/20230208/5fa26a6c3ccd40698cca79102f3e0be0.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L01vcmVBY3Rpb25f_size_16_color_FFFFFF_t_70 9]: /images/20230208/28a448ef50d94fb9866e2f0463041213.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L01vcmVBY3Rpb25f_size_16_color_FFFFFF_t_70 10]: /images/20230208/9333e6fd48904f489f3724264a414820.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L01vcmVBY3Rpb25f_size_16_color_FFFFFF_t_70 11]: /images/20230208/d46a5a4fec5144fa850f8c2a717b3a29.png