attention transform_attenuator有什么用[通俗易懂]

前言

研究生开学一个月啦，暑假学习的东西太不深入，也不系统。九月阅读的论文有时间也需要找个时间整理。
我看了吴恩达老师的序列模型课程和台大李宏毅老师的课程，他们的课程都提到了Atention的内容，吴恩达老师的课程讲述得比较浅，只是大概给出一个概念，李宏毅老师讲述得比较细致，同时Transformer的部分讲得也很好，如果想全面地学习这一部分，更推荐李宏毅老师的课程。
国庆节前学习了Attention、Transformer，想要具体地整理一遍，如果能梳理清晰就应该是真正理解了吧

首先想说明：Encoder-Decoder是一种架构。Seq2seq的结构与En-Dn基本相同，只是可以理解为seq2seq是具体的模型而en-dn是一种抽象概念。seq2seq有多种类型：N vs 1，N vs N，基于RNN，基于LSTM…Transformer模型是seq2seq结构的一种具体的模型，而且是完全基于Attention机制的seq2seq结构

一、Attention

encode过程会生成一个中间向量C，用于保存序列的语义信息，但这个向量的长度是固定的，当输入的原序列的长度太长时，向量C无法保存全部的语义信息，context信息受到了限制，也限制的模型的理解能力。
LSTM只能在一定程度上缓解了长距离依赖问题。
Attention就如同字面意思，把注意力放在重要的内容上面，而不是对重要的内容和不重要的内容“一视同仁”，重要的多关注，不重要的少关注，自然提升了理解能力和效果。

1、attention

attention 的基本原理可以理解为公式：
$$Attention(Query,Source)=\sum match(Q,K)\ast V$$
以下图为例：

在这张图中，h是输入的语义编码，h就是key，z是我们要去匹配的内容，也就是query，match是一个函数，可以自行选择，match可以是相似度函数，比如余弦相似度，也可以是一个简单的神经网络。
match后计算出的 $\alpha$ 就可以理解为在$t$时，花在$h_t$上的注意力的数量。

对每个$h_t$进行计算得出$\alpha$后，在这里进行了一个$softmax$计算，如图中：
$$c=\sum \alpha \ast h$$
在这个机器翻译的例子中，$h$在作为key的同时，又作为value参与到最终$c$的计算中，在最初的学习中我还弄不明白这个q,k,v所指的内容，后来有人说明在此 key 和 value 都是指每个单字所对应的语义编码$h$，我才将最开始提到的公式与例子对上。
这里的 $\ast$符号不一定是简单的相乘，李宏毅老师的课件里提到了两种计算方法：

• 一种是点乘（Dot-product）：

• 另一种是Additive：
  但是我自己还没有具体实现过代码，所以代码的实现还不是很清楚。查阅了一下pyTorch的官网，torch好像是已经有封装好的multi-head attention了，有时间还要再看看。

另外，$z$也需要说明，$z_0$可以认为是<SOS_token>的嵌入向量，如果嵌入是随机初始化，那么$z_0$就是随机的，$z_0$与$c_0$一起计算得出$z_1$，后面的$z_t$都是对应的decoder的状态。

之前一直想不通“明明还没翻译/生成出内容，为什么就可以作为q来计算attention了”，实际上参与计算的是decoder的状态，是可以计算出来的。

在计算过程中，$h_t$与$z_i$分别计算，也就是说，decoder每生成一个词都要遍历一遍input的所有内容，但是因为Transformer中，encoder是一次性获得整个句子的，所以它可以做到并行计算每个$h_t$的注意力（当然，在Transformer中用的不是简单的Attention）
Attention计算得到的${\alpha }^t$是只限于当前sequence的，，而例如CNN，求得的weight是整个网络的，所有输入进去的内容都使用这个weight。

2、self-attention

在了解了上面所述的attention的原理后，接下来是另一种：self-attention。
简单来说，attention的query和source是不同的，而self-attention中，query和source都是它自身。
self_attention将整个sequence的内容通过加权操作融合到每个词的向量表示中，如下图所示：

上面这张图描述的是整个self-attention layer工作的状态，$a_t$输入进self-attention层，经过计算，获取了整个sequence的信息后，叠加上这个信息生成$b_t$。

在这张图中，首先由于self-attention层的输入还可能是某一层的输出，是一中间向量，所以记$x$为它的输入，经过变换，比如嵌入等操作，得到$a^t$，在这里，$a^t$既是source，又是query。
每个$a^t$经过计算得到相应的$q^t$,$k^t$,$v^t$，计算公式如下：
$$q^t=W_q\ast a^t$$
$$k^t=W_k\ast a^t$$
$$v^t=W_v\ast a^t$$
这3个矩阵是待学习的参数。

在学习到这里的时候我进入了一个误区，我把参数矩阵$W_q$等和$\alpha$弄混了，Attention计算得到的注意力数量（或者说匹配度权重）$\alpha$是仅针对当前sequence的，而这个参数矩阵是用于计算$q^t$等等的，并不是针对某一sequence，通过学习是可以学习到的。

并且如下图所示，计算$q^t$、$k^t$、$v^t$的过程是可以并行的。

得到q,k,v后，就要计算注意力的数量$\alpha$。
$${\alpha }_{t,i}=q^t\ast k^i$$
由此，得到四个$\alpha$，很多例子中都用的$softmax$，但其实不一定必须使用这个，还可以使用其他的方法，比如$ReLu$，可以尝试使用不同的方法。再看下图：

在此，得到${\hat{\alpha }}_{t,i}$后，计算得到$b^t$。这里的$b^t$就是前面说的经过s-a层后带有整个sequence信息的向量。
$$b^t=\sum {\hat{\alpha }}_{t,i}\ast v^i$$
这一步就是所谓的融合（Extract information based on attention scores）。
而且，生成$b^t$的操作也是可以并行的。
总结起来，self-attention的过程就是对一个seq里的多个input/hidden，分贝计算它们之间互相的相关性的过程。

3、multi-head attention

multi-head attention简单来说就是在self-attention的基础上，将$q^t$等等通过计算得到更多个$q^{t,i}$。多头的注意力可以使网络获取到更丰富的信息。
如下图：

和self-attention一样，通过参数矩阵获取到$q^t$等等，但是变化在于，$q^t$又会再次经过计算得到两个$q^{t,i}$
$$q^{t,i}=W^{q,i}\ast q^t$$
$k^t$、$v^t$也是相同操作。
接下来，每个$q^{t,i}$与每个$k^{t,i}$进行运算，以上图中的例子解释，$q^{1,1}$只和$k^{1,1}$、$k^{2,1}$、$k^{3,1}$相乘，而不会与$k^{1,2}$、$k^{2,2}$相乘。$q$与$k$相乘后，与self-attention一样，再与$v$进行运算得到最终的$b$，与$v$相乘也遵守上面的规则，$q^{1,1}$与$k^{1,1}$的结果只和$v^{1,1}$进行运算，而不和$v^{1,2}$运算。

这也可以理解为，每个head是单独进行运算的，不同的head之间不会进行运算。 每个head就是不同类型的相关性。
计算完成后，如图，$a^i$得到2个结果：$b^{i,1}$、$b^{i,2}$（因为这个例子里有2个head）

将$b^{i,1}$、$b^{i,2}$连接起来，乘上一个output参数矩阵：$W^o$，得到最终的$b^i$:
$$b^i=W^o\ast [b^{i,1},b^{i,2}]$$

4、Masked self-attention

masked self-attention是在Transformer的decoder中提到的，这里也是由于Transformer自身的结构所引出的一种结构，因为encoder中获得$x^t$是一次性全部获得的，而decoder中的self-attention层，是一个一个依次获得$x^t$的，所以，在得到$x^t$时，还不能得知$x^{t+1}$,因此，生成$b^1$时只考虑$a^1$，生成$b^2$时，考虑$a^1$、$a^2$……即不考虑右边的内容。如下图：

二、Transformer

我在学习Transformer时最初是阅读了论文Attention is all you need，但在阅读过程中发现对Attention mechanism不甚明了，所以又转回头学习attention。
学习完attention后我觉得理解transformer也不那么吃力了。
我个人觉得不太明白的地方是residual：

residual即为残差连接，这里我看了一个知乎的专栏：残差连接，这部分内容应该放在神经网络的笔记中整理，总结起来就是residual能够防止梯度消失，缓解神经网络的退化，但这部分内容我不是很清楚，之后要再找时间学习。

如上图，左侧为encoder结构，右侧为decoder结构。两边的multi-head attention都有加上位置信息的嵌入向量。

这里解释一下，我们在学习attention的时候就能看出来，attention生成新内容时并没有考虑sequence的位置信息，而在序列中，位置信息是很重要的，所以我们可以对输入向量进行一个运算，使它与位置信息结合起来，使得attention层除了输入内容以外还可以接收到位置信息。

图中所示的Add&Norm是指residual和Layer Norm。
右侧decoder中使用的是masked multi-head attention正如上面所解释的，是由于decoder自身的逻辑才使用的。

上图所示，是decoder中第二层multi-head attention，从图中我们可以看到，这一层的输入既有来自于第一层masked multi-head attention的内容，又有来自encoder的内容。这个操作是，由masked m-h a 层输出的向量，乘上一个矩阵后，视为q，与它一起运算的k,v是来自于encoder的输出，这一操作是cross attention。

字典中每个字都有一个one-hot向量，decoder生成的向量经过$softmax$之后得到的最终结果，我们需要做的就是使最终结果和正确答案之间的交叉熵最小。

如上图，在训练过程中，会给decoder输入正确答案，我们的训练目标就是使它们的交叉熵在一起最小（teacher forcing）。
这里我们使用的是交叉熵来进行优化，也可以使用BLEU分数，但是两个句子之间的BLEU分数很难微分，我们可以使用强化学习。(这里李宏毅老师说的特别可爱，不好去optimize的就把它当作强化学习的award)
另外还有一些在训练transformer时可以使用的方法，我就不一一记录了，这个在实际应用时再具体学习就好，根据不同的应用环境选择更合适的方法。
在这里我记录一下老师提到的：copy mechanism，适用于对话生成方面。

总结

以上是我整理的attention方面的知识，以及一部分transformer的原理，但还需要真正把transformer应用到项目里才能彻底学会，接下来有时间想应用transformer做一个简单的项目。

引用：
台湾大学李宏毅教授课件
论文Attention is all you need

今天的文章attention transform_attenuator有什么用[通俗易懂]分享到此就结束了，感谢您的阅读。