为什么需要注意力机制

在这里插入图片描述

这是一个普通的seq2seq结构，用以实现机器对话，Encoder需要把一个输入的一个句子转化为一个最终的输出，上下文context vector，然后在Decoder中使用，但这里有些问题：

如果句子很长，这个向量很难包含sequence中最早输入的哪些词的信息，那么decoder的处理必然也缺失了这一部分。
对话的过程中，大部分情况下decoder第一个的输出应该关心的权重更应该是encoder的前半部分的输入，比如这里Yes，其实应该是对are you这样一个疑问的输出，但是这就要求decoder的预测的时候有区别的针对sequence的输入做输出，现在这个结构没办法实现这个功能。

你可能会想到LSTM或者GRU也是有memory记忆功能的，解决方案：
LSTM中的memory没有办法很大，假设它的memory的大小时K的话，就需要有一个K*K的矩阵，如果太大的memory，不仅计算量大，参数太多还会容易过拟合，因此不可行

attention机制就是用来解决这个问题，attention里面memory增加的话，参数并不会增加，一句话总结就是attention就是来解决长输入在decoder时，能够找到应该关注的输入部分的问题，它最初时从机器翻译发展的，后续也扩展到了其他领域

attention机制的架构总体设计

总体架构
这就是总体的架构设计，输入a¹…aⁿ，输出b¹…bⁿ 对应，注意这里的b考虑了所有的输入，这个输出带有对于每个输入的attention score，score越大，证明这个输入越重要，a在这里可以是输入，也可以是输入解码器后hidden layer的输出，那么中间蓝色框部分就是attention主体实现，它用来生成的b¹到bⁿ 。
举个例子：输入are you free tomorrow? 输出的时候Yes更关注的是are you，那这个的attention score就需要高一些

普通的seq2seq结构
在这里插入图片描述
带有注意力的seq2seq

在普通的seq2seq相比，解码器使用的上下文变量C^’不再仅仅是编码器的输出，而是 注意力的输出

与普通的seq2seq模型对比下，带有注意力模型的修改就分为了两部分
1.attention本身的实现
2.attention应用到模型部分
以下详述这了两部分

一、attention本身实现

先不介绍内部的一些数学处理，attention的输出实际上是对某种输入的选择倾向
输入就是要被选择的数据和对应的查询线索
输出对要选择数据的权重
举个例子
输入：the dog is running across the grass
翻译：这个小狗正在穿越草地
解码翻译这个小狗这些词的时候，注意力应该放在the dog上，这时候我们给与the dog这些词更多的权重，这时候对于输入可能的权重就是0.5 0.5 0 0 0 0

在这里插入图片描述

在数学模型方面，
键key
查询Query
值 Value

要实现的是根据键和查询生成的线索，去计算对于值Value的倾向选择，数学表达是这样的：
在这里插入图片描述
这里的a(q, k_i) 一般是经过一个评分函数映射成标量和然后一个softmax操作

这里可以形象的理解一下,比如下面三组数据：

id	体重->Q	身高->K	年龄-> V
1	50	160	50
2	65	165	23
3	60	175	21

当输入体重K 63, 身高V 170，问现在的年龄大概是多少呢？
看到表中的信息，人脑会自然猜测年龄在23和21之间，也就是在id 2和3上权重比较高，0.6* 23 +0.4* 21,这个也接近于注意力的实质，其实是根据Q和V 做评分，用以对V加权取值，这些权重值，就是注意力。
a(q, k1) v1+ a(q, k2)v2

评分函数

评分函数实际有很多种，tanh, 经过一个线性变换，或者sin cos 、加等等，目前业内没有最好的实践

attention在网络模型的应用-Bahdanau 注意力

很多的论文都涉及注意力的使用，这块的依据是比较早和出名的Bahdanau注意力讲解。
上文seq2se模型中讲过解码器的输入是编码器的输出（上下文变量）以及解码器输入，而在有注意力的网络模型中，这个上下文变成了注意力的输出，解码器示意：
在这里插入图片描述
其中的a_t,i 就是注意力权重的输出

时间步t^’-1 解码器的隐状态是S_t^’-1，也是所谓的查询
h_t编码器隐状态，是键也是值

加性注意力代码实现

class AdditiveAttention(nn.Module):
    """加性注意力实现
    """
    def __init__(self, key_size, query_size, num_hiddens, dropout, **kwargs):
        super(AdditiveAttention, self).__init__(**kwargs)
        self.W_k = nn.Linear(key_size, num_hiddens, bias=False)
        self.W_q = nn.Linear(query_size, num_hiddens, bias=False)
        self.w_v = nn.Linear(num_hiddens, 1, bias=False)
        self.dropout = nn.Dropout(dropout)

    def forward(self, queries, keys, values, valid_lens):
        queries, keys = self.W_q(queries), self.W_k(keys)
        # 在维度扩展后，
        # queries的形状：(batch_size，查询的个数，1，num_hidden)
        # key的形状：(batch_size，1，“键－值”对的个数，num_hiddens)
        # 使用广播方式进行求和
        features = queries.unsqueeze(2) + keys.unsqueeze(1)
        features = torch.tanh(features)
        # self.w_v仅有一个输出，因此从形状中移除最后那个维度。
        # scores的形状：(batch_size，查询的个数，“键-值”对的个数)
        scores = self.w_v(features).squeeze(-1)
        # 这部分主要是为了遮蔽填充项，理解注意力上的时候可以先忽略它
        self.attention_weights = masked_softmax(scores, valid_lens)
        # values的形状：(batch_size，“键－值”对的个数，值的维度)
        return torch.bmm(self.dropout(self.attention_weights), values)