学习自https://easyai.tech/ai-definition/attention/

Attention本质

Attention（注意力）机制如果浅层的理解，跟他的名字非常匹配。他的核心逻辑就是“从关注全部到关注重点”。

比如我们人在看图片时，对图片的不同地方的注意力是不同的。

即,我们的视觉系统就是一种 Attention机制，将有限的注意力集中在重点信息上，从而节省资源，快速获得最有效的信息。

Attention与NLP的联系

Attention的优点

• 参数少，与CNN，RNN相比，参数少，复杂度更低

• 速度快，Attention机制每一步计算不依赖于上一步的计算结果，因此可以和CNN一样并行处理。

• 在 Attention 机制引入之前，有一个问题大家一直很苦恼：长距离的信息会被弱化，就好像记忆能力弱的人，记不住过去的事情是一样的。

  Attention 是挑重点，就算文本比较长，也能从中间抓住重点，不丢失重要的信息。下图红色的预期就是被挑出来的重点。
  

Attention原理

一个小小的例子,比如我想要更多的了解漫威，那么我就应该多读一读相关的书籍，与之关系不大的书就不用大量地看。

稍微具体化一点就是：图书管（source）里有很多书（value），为了方便查找，我们给书做了编号（key）。当我们想要了解漫威（query）的时候，我们就可以看看那些动漫、电影、甚至二战（美国队长）相关的书籍。不过为了提升效率，动漫、电影的书籍需要多看一下，而二战类的书籍就不需要看那么多了。

Attention具体流程

• query 和 key 进行相似度计算，得到权值
• 将权值进行归一化，得到直接可用的权重
• 将权重和 value 进行加权求和