深刻理解Attention

电玩女神 2022-12-28 09:07 153阅读 0赞

# 总结 #

*  文章来源：LawsonAbs（CSDN）
 *  不适合入门选手

--------------------

# 1.Self-Attention #

## 1.1 Q：下面这个图是怎么得到的呢？ ##

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2xpdTE2NjU5_size_16_color_FFFFFF_t_70]  
上面这个图讲得是：每个单词对其它单词的一个关注度。我们attention之后不是只得到一个向量吗？ （左侧这句话是错误的）怎么会有关注度（`attention score`）呢？仔细读读下面这段话：

> As we are encoding the word “it” in encoder \#5 (the top encoder in the stack), part of the attention mechanism was focusing on “The Animal”, and baked a part of its representation into the encoding of “it”.

也就是说：`it`这个单词的 `embedding` 是结合了`The` ， `animal` 等一系列单词的权重得到的embedding。同样，对于单词`animal` 也会用一系列的加权值来表示它的向量，即对于每个token，都有：  
 t o k e n = ∑ i = 1 n α i ∗ v i token = \\sum\_\{i=1\}^n \\alpha\_i \* v\_i token=i=1∑nαi∗vi  
对应于下面这张图：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2xpdTE2NjU5_size_16_color_FFFFFF_t_70 1]向量`z1` 和向量 `z2` 不同的原因在于==在计算attention值的时候，采用的不是同一个q。==也就是说，在计算`Thinking`这个单词用的是 q 1 , k 1 , k 2 , v 1 , v 2 q\_1,k\_1,k\_2,v\_1,v\_2 q1,k1,k2,v1,v2，但是计算`Machines` 这个单词用的是  q 2 , k 1 , k 2 , v 1 , v 2 q\_2,k\_1,k\_2,v\_1,v\_2 q2,k1,k2,v1,v2 所以会得到一个不同单词对其它单词的关注度（但是事实证明，attention并不是像作者们说的这么有效，大家听听就好~，有兴趣深究的可以看我的博客：[Bert实战二之探索Attention score][Bert_Attention score]）。

由上可知，不能单纯的以为attention 只能把一句话编码成一个向量！它还可以self-attention 把句子中的每个token都编码成一个向量。

# 2. 代码细节 #

## 2.1 在 `key-value attention` 中， 随机生成的 Query, Key 矩阵 在每个批次训练中是否是一致的？也就是说，这两个矩阵是否是全局唯一的？ ##

我觉得是的，因为需要针对这两个也是参数，需要对应训练，如果总是变化，肯定是不可的。

# 3.有哪些attention？ #

## 从软硬的角度来分析 ##

*  软性attention
 *  硬性attention

## 从打分 ##

*  普通attention
 *  键值对attention  
    这个也就是我们常说的 `QKV attention`，这种方法
 *  多头attention

# 4. attention score 的计算方法有哪些？ #

给定一个和任务相关的查询向量q，以及输入向量x， W , U , v W,U,v W,U,v均为可学习参数，那么通常有如下几种方式计算注意力得分：

*  加性模型  s ( x , q ) = v T t a n h ( W x + U q ) s(x,q)=v^T tanh(Wx+Uq) s(x,q)=vTtanh(Wx\+Uq)
 *  点积模型  s ( x , q ) = x T q s(x,q)=x^Tq s(x,q)=xTq
 *  缩放点积模型  s ( x , q ) = x T q D s(x,q) = \\frac\{x^T q\}\{\\sqrt\{D\}\} s(x,q)=DxTq
 *  双线性模型  s ( x , q ) = x T W q s(x,q) = x^T W q s(x,q)=xTWq

在得到这些score 之后，再使用 `softmax` 计算出 注意力分布。

# 5. global attention 和 local attention 的区别是什么？ #

## 5.1 `global attention` ##

就是常说的attention：对所有输入信息进行一个attention操作。

## 5.2 `local attention` ##

为了解决 `global attention` 时间复杂度较高的原因，所以就可以将其优化成只专注一部分，即衍化成 `local attention`。 local attention 的主要步骤如下：

*  首先确定一个中心位置  p t p\_t pt
 *  然后人为选择一个窗口大小参数  D D D，以 p t p\_t pt 为中心，得到窗口  \[ p t − D , p t + D \] \[p\_t -D, p\_t + D\] \[pt−D,pt\+D\]

在得到的窗口上进行一个 attention 操作。

# 参考资料 #

*  [The Illustrated Transformer][]
 *  生活中的加权求和就是attention 的真实来源。
 *  邱锡鹏《nndl》
 *  https://zhuanlan.zhihu.com/p/80692530 【讲解global attention 和 local attention 的区别】

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2xpdTE2NjU5_size_16_color_FFFFFF_t_70]: /images/20221120/d554ae2dd12d4af8bed1fe710d0ecf1e.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2xpdTE2NjU5_size_16_color_FFFFFF_t_70 1]: https://img-blog.csdnimg.cn/20201219094432912.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2xpdTE2NjU5,size_16,color_FFFFFF,t_70
[Bert_Attention score]: /images/20221120/dbdcbaf31ffe4151be794fb51e4e44bc.png
[The Illustrated Transformer]: http://jalammar.github.io/illustrated-transformer/