笔记(总结)-注意力机制(Attention)简述

本篇主要针对注意力（Attention）机制进行简要描述。Attention是为了解决Sequence-to-Sequence中的一些问题而提出的，本身的逻辑十分简洁。Attention的产生过程反映了解决问题的一种最直接的思路，正如Resnet中提出“残差”的概念一样，简单直接的就能解决问题，而且思路没有绕任何弯子。这在科研工作中是十分难得的。下面结合机器翻译问题来回顾下这整个过程。

---

Seq2seq

先回顾下Sequence-to-Sequence，这是RNN-Based模型架构中错开的many to many的一种应用，主要是为了将一个序列转换为另一个序列，即下图中第四种：

这种架构也叫Encoder-Decoder模型。具体来说，Encoder部分为红色block及对应的绿色block，Decoder部分为蓝色block及对应的绿色block。Seq2sep主要想解决的是输入输出序列不等长的问题，它通过Encoder将输入序列编码成一个固定的向量$c$，然后将$c$作为Decoder的初始隐状态输入，解码为输出序列。即：

但这样的架构是有问题的。主要有两点：

1. Encoder将所有输入序列编码成一个统一的语义特征$c$，再将其运用到Decoder中。这就要求$c$必须能很好地概括输入序列，然而RNN模型是有长度依赖的，当序列过长时难以概括所有信息。
2. 不同的Decoder输出使用的是同样的$c$，但实际中并非如此。以机器翻译为例，翻译目标词的第一个词往往和源语言中第一个词有较大的关联，而不太关心其它位置的词。Decoder中不同的输出需要的是不同的输入特征，且不一定需要编码了整个输入序列的$c$。

因此，最理想的情况是，在解码输出不同的词时，能够从输入序列中自动选择相关联的词，并且提高这部分词在建模时的特征权重。这样就得出了Attention Model的动机。

---

Attention Mechanism

由上文Seq2seq的缺陷可以知道，要解决第一个问题，即Decoder使用的是统一的$c$，需要在不同的时刻输入不同的$c_i$；要解决第二个问题，即Decoder不同时刻的输出关注输入序列的不同部分，需要$c_i$能自动选取最相关的输入序列。