Self-Attention

模型的输入与输出

输入：输入是一个向量，输入是一个向量集。

可以做为向量集的数据有：词嵌入（Word Embedding）、语音数据、图连接。

输出：一个向量对应一个标签，整个序列有一个标签，模型决定了标签的数量（seq2seq）

1.为什么引入Self-Attention？

在考虑上下文时，尽管全连接层能够考虑周边的一些信息，但是如果序列足够长的话，全连接的窗口不可能覆盖整个序列，因此需要自注意力机制。

只要数据可以表示为一个向量集，那么就可以使用self-attention，Self-attention可以用于语音处理，也可以用于图像。

2.Self-attention（重点）

2.1 整体架构

self-attention不是仅关注了当前的输入，而是关注了整体的输入。通过计算当前输入与其他输入的相关性，来共同决定当前的输出。

那么在整个序列中找到相关性的向量就变得很重要了。

计算相关性的方式有很多，下面是两种常见的方法：

2.2 计算单个输出的原理

计算$b^1$的过程：

1. 首先对于$a^1$，将$a^1$与$W^q$进行乘积，得到$q^1$，然后剩余的输入，通过乘以$W^k$计算出$k^2,k^3,k^4$。之后将计算的$q^1$与$k^2,k^3,k^4$分别进行点积，就分别得到了$a^2$对$a^1$，$a^3$对$a^1$，$a^4$对$a^1$的注意力分数${\alpha }_{1,2},{\alpha }_{1,3},{\alpha }_{1,4}$。

2. 对于$a^1$我们也让其乘以$W^k$，得到$k^1$，通过$q^1$与$k^1$进行点积，得到${\alpha }_{1,1}$。然后将${\alpha }_{1,1},{\alpha }_{1,2},{\alpha }_{1,3},{\alpha }_{1,4}$送入到一个Soft-Max，得到了${\alpha }_{1,1}^{{}^{\prime }},{\alpha }_{1,2}^{{}^{\prime }},{\alpha }_{1,3}^{{}^{\prime }},{\alpha }_{1,4}^{{}^{\prime }}$.

3. 然后对于每一个$a^1,a^2,a^3,a^4$通过乘以$W^v$计算出$v^1,v^2,v^3,v^4$.接下来将计算出来的$v^1,v^2,v^3,v^4$分别乘以对应的注意力权重${\alpha }_{1,1}^{{}^{\prime }},{\alpha }_{1,2}^{{}^{\prime }},{\alpha }_{1,3}^{{}^{\prime }},{\alpha }_{1,4}^{{}^{\prime }}$并进行求和，就得到了$b^1$.

4. $b^2,b^3,b^4$也是同样的道理。

2.3 整体的矩阵计算

1. 首先将每一个$a^1,a^2,a^3,a^4$（也就是矩阵$I$）都分别乘以$W^q,W^k,W^v$,就得到了$q^1,q^2,q^3,q^4$（矩阵Q），$k^1,k^2,k^3,k^4$（矩阵K），$v^1,v^2,v^3,v^4$（矩阵V）

2. 然后用矩阵Q乘以矩阵K就得到了矩阵A（也就是注意力矩阵），最后将矩阵A送入Softmax，就得到了$A^{{}^{\prime }}$

3. 接着将$A^{{}^{\prime }}$与V相乘，就得到了矩阵O（代表输出）

3.Multi-head Self-attention

多头自注意力原理和自注意力的原理是一致的，感觉就像是针对每一个输出，进行了多次的计算，然后将每一次计算出来的结果通过权重的方式将它们联系起来。

4.Self-attention的缺点

比如在做词性标记的时候，往往句首的词性是动词的概率较低，所以也需要考虑到位置的信息，但是Self-attention没有位置信息，上面的$a^1,a^2,a^3,a^4$标号是为了理解而标记上去的，实际上它们之间的位置信息是不确定的，没有说谁就在谁的前面或者后面。

改进：可以通过position encoding的技术来实现位置信息。就是在每一个位置引入一个位置向量$e^i$，不同位置的$e^i$是不一样的。通过$e^i$来告诉不同位置的位置信息。

目前position representation的方法很多，不用仅仅局限于上面的$e^i$.

5.Self-attention与CNN的对比

Self-attention就是一种复杂的CNN，反过来说，CNN是一种简单的self-attention.

CNN 每次关注的是一个 receptive field（这个域的范围是由我们自己决定的），而self-attention关注的是整体的域。CNN是每次从这个较小的域中找到关键信息，而self-attention是从整体的域中去计算他们之间的相关程度，找出重要的特征信息。

在数据量较少的情况下，CNN的效果较好，但是在数据量较多的情况下，self-attention的效果优于CNN。

6.Self-attention与RNN的对比

尽管Self-attention与RNN都是用于时序数据，Self-attention的输出是并行输出，但是RNN的输出不是并行的。self-attention的效果要优于RNN。

---

这篇笔记根据李宏毅老师的讲解结合自己的理解所写。感兴趣的伙伴可以去听李宏毅老师的课程，讲的十分通透。链接如下：

【强烈推荐！台大李宏毅自注意力机制和Transformer详解！】 https://www.bilibili.com/video/BV1v3411r78R/?share_source=copy_web&vd_source=a36f62f9fcd2efea97449039538032fa

😃😃😃