008 Transformer详解（二）：Attention机制

Encoder-Decoder中的attention机制

上一篇文章最后，在Encoder-Decoder框架中，输入信息的全部信息被保存在了C。而这个C很容易受到输入句子长度的影响。当句子过长时，C就有可能存不下这些信息，导致模型后续的精度下降。Attention机制对于这个问题的解决方案是在decoder阶段，每个时间点输入的C都是不一样的。而这个C，会根据当前要输出的y，去选取最适合y的上下文信息。 整体的流程如下图所示

从图上可以看出，在Decoder结构中，每一个时间点的输入都是不同的。这就是attention机制起作用的地方。对于Encoder中包含的输入内容的信息，attention机制会根据当前的输出，对Encoder中获得的输入做一个权重分配。这一点和 人类的注意力也很像。当人在翻译句子中某个词的时候，肯定也会有所针对的看原句中的对应部分，而不是把原句所有词都同等看待。 下面举一个具体的翻译的例子，

Encoder模型中的$h_1,h_2,h_3,h_4$可以看做是输入**‘我爱中国’**所代表的信息。如果不做处理的话，那么c就是一个包含$h_1到h_4$的全部信息一个状态。现在对于不同的隐状态h，配以不同的权重$a$。这样，在输出不同的词的时候，虽然h的值都一样，但h对应的a的值是不同的。这就会导致c是不一样的。在输出每一个y的时候，输入进来的c都是不同的。 这个过程人的注意力非常相像。以图中的翻译为例，输出的一个词 $I$ 与中文的我关系最密切，所以$h_1$分配的权重最大，也就是将翻译的注意力集中在$h_1$。这里的权重a，是通过训练得来的。对于$a_{ij}$而言，是通过decoder的上一个隐状态$h_i$和encoder的隐状态$h_j$，学习得来的。 具体到RNN模型的docoder模型来讲，在时刻 i，如果要生成$y_i$单词，我们可以得到在生成$Y_i$之前的时刻 i-1 时，隐层节点 i-1 时刻的输出值$H_{i-1}$的，而我们的目的是要计算生成$Yi$时输入句子中的每个词对$Yi$来说的注意力分配概率分布，那么可以用Target输出句子 i-1 时刻的隐层节点状态$H_{i-1}$去和输入句子Source中每个单词对应的RNN隐层节点状态$h_j$进行对比，即通过函数$F(h_j,H_{i-1})$来获得目标单词yi和每个输入单词对应的对齐可能性，这个F函数在不同论文里可能会采取不同的方法，然后函数F的输出经过Softmax进行归一化就得到了符合概率分布取值区间的注意力分配概率分布数值。

总结一下，对于encoder-decoder模型中的attention机制。 在decoder阶段，生成最后的输出时

$$y_1 = f_1 (c_1)$$

$$y_2 = f_1 (c_2,y_1)$$

$$y_3 = f_1 (c_3,y_2)$$

...

$$y_n = f_1(c_{n},y_{n-1})$$

其中，每个$c_i$包含了对于最初输入句子中每个词的注意力分配。

$$c_i = g(a_{i1}*f_2(x_1),a_{i2}*f_2(x_2),a_{i3}*f_2(x_3),...,a_{ij}*f_2(x_j))$$

这里f2表示encoder模型中的变换函数。在RNN的实例中，f2的结果就是RNN模型中的隐层状态值h。 g函数通常使用求和函数。

$$c_i = \sum_{j=1}^{L_{x}}a_{ij}h_j$$

这里的L表示了句子的长度。 以上内容就是在Encoder-Decoder结构下的attention机制。

Attention机制

如果离开上面提到的Encoder-Decoder框架，单纯的讨论attention机制，会发现attention机制的核心就是从大量的信息中有选择的选择重要信息。捕获到对当前任务有用的重要的信息。 我们把输入的内容作为source，生成的目标作为target。 source可以看成由一个一个的对组成的，target里面含有不同的query。 Attention机制的作用就是计算每一个query，在source中的值。 $Attention(Query,Source) = \sum _{i=1}^{L_x}Similarity(Query,key_i)*value_i$ 整个的计算过程分成两步。 第一步，计算source中的所有的key与query的相似性，并对计算得到的全部相似性做softmax归一化处理。 第二步，根据第一步中得到的权重，对value进行加权求和。 整个计算流程如下图所示

Self-Attention

在前面机器翻译的例子中，输入和输出的长度是不一样的。因为语言不通，所以句子长度通常不一样。在 self-attention中，我们可以认为source = target。 self-attention可以捕捉到句子里面的长依赖关系。 比如，对于句子 The animal didn't cross the street because it was too tired。 这里想要知道这个it代指的到底是什么，self-attention可以捕捉到句子中的长依赖关系。将其结果可视化如下图所示，

传统的RNN，LSTM网络，如果面对长句子的话，这种距离较远的依赖关系相比之下很难捕获到，因为根据RNN/LSTM的结构，需要按顺序进行序列计算，所以距离越远，关系越难捕捉。 而self-attention是针对句子中所有词两两计算，不存在距离长短这一说。此外，self-attention相比循环网络还有另外一个优点是便于并行计算。 下面将介绍self-attention的具体计算。 首先，对于每一个词向量，我们创建3个向量，分别是query，key,value。 这三个向量是词向量与训练好的权重矩阵$W^Q,W^K,W^V$分别相乘得到的。

接下来，对于每个q而言，分别计算这个q与所有k的得分。计算公式$s c o r e=\frac{q * k}{\sqrt{d_{k}}}$这里除以分母的作用是为了后面计算中有稳定的梯度。对于$q_1$而言，经过计算后，获得了$score_1,score_1,score_3...score_n,$n为句子的长度。 下一步把这些socore进行softmax归一化。然后将归一化的结果与value向量相乘，获得最后的结果。

当一个词的时候，整个的计算流程就和刚才介绍的一样。那么整个这个self-attention的作用是什么呢？其实是针对输入的句子，构建了一个attention map。假设输入句子是‘I have a dream’，整个句子作为输入，矩阵运算后，会得到一个4*4的attention map。如下图所示。

self-attention结构在Transformer结构中是非常重要的一步，这里先将其的基本过程梳理清楚。 对于Transformer结构的讲解，将在下一篇文章中详细介绍。

参考文献

[1]完全图解RNN、RNN变体、Seq2Seq、Attention机制 [2]深度学习中的注意力模型（2017版） [3]详解Transformer （Attention Is All You Need） [4]The Illustrated Transformer [5]Visualizing A Neural Machine Translation Model