深度学习：自注意力机制详细笔记（嘎嘎通俗易懂，草履虫都直呼简单）

自注意力机制(self-attention)

介绍

• 当我们需要对一段文字进行处理的时候，我们需要将文字转变成一种可以放进神经网络里的形态

• 主流的有两种方法可以完成这个，就是以下两种方法

  • one-hot编码

  • 

  • word embedding

  • 

• 当我们将我们的词汇转变成了一个个的向量的时候，我们就可以将向量作为输入放入神经网络中进行训练了

• 那么我们会有什么样的输出呢？

• 有大概以下三种情况：

  • 输入多少个向量就输出多少个标签，也就是输入和输出的长度是一样的
    • 
    • 举例来说，词性标注：
    • 
    • 可以看到每个单词都有对应着它的词性，也就是输入输出长度是一样的
  • 无论输入多少向量，都只输出一个标签
    • 
    • 例如：情绪分析，也就是判断一句话是积极还是消极的
    • 
  • 无论输入的向量有多少类，由机器来自行判别输出多少标签
    • 
    • 例如：翻译任务
    • 因为输入输出是不同的语言，所以他们之间的词汇肯定也不一样的

• 假如我们要做一个词性标注任务的时候，我们通过上述方法获取到了我们所要标注的序列的词向量表示，然后我们可以直接将这些词向量逐个放到全连接层去训练，最后神经网络会给出一个个的输出

• 

• 但是这样有一个非常大的弊端，就是对于上图所示，可以看出第一个saw是动词，而第二个saw是名词，但是由于他俩长得一样，所以他俩的词向量按道理来说就应该是一样的，从而导致他俩的输出就是一样的，但是实际上，我们想要第一个saw输出动词，第二个saw输出名词

• 为了解决上述问题，所以这就要引出我们的注意力机制了

• 注意力机制在做什么呢？可以通过下图进行解释

• 

• 当我们输入了一个向量，他会在考虑整个序列的情况下输出一个相对应的向量

• 就像我们读书一样，我们在阅读的时候，读完全篇和只读到一半的时候对这本书的理解是不一样的，同理，我们也可以添加多个注意力机制的层，类比我们一本书读多遍一样，如下图所示

• 

• 那么注意力机制这一层到底干了啥事捏？

具体运算

• 如下所示
• 
• 其中的a1,a2,a3,a4为我们的输入，b1是a1所对应的输出，也就是考虑了整个序列a1-a4才输出的对应a1的向量
• 假如我们要找出a1所对应的向量b1，那么我们就先得看a1-a4里哪些和a1相关，也就是哪些部分对a1来讲重要，哪些不重要，这个相关度用$\alpha$来表示
• alpha有几种计算方法，举最常用的一种计算方法：Dot - product
  • 
  • 假如要计算两个向量的关联程度，那么就用该向量乘上一个Wq矩阵得出q，用另一个向量乘上wk矩阵得出k，再将q和k做一个内积运算，最后就能得出alpha
  • 这里的wq和wk均为训练中得出的参数
• 用上述方法进行计算a1和其他所有向量的相关度，可得到下图
• 
• 当求得a1对所有向量的相关度后，我们对它用一个softmax激活函数，用softmax激活函数的目的是为了表现出他们相关度的权重比例，也可以使用一些其他的激活函数，比如relu
• 当我们做完上面步骤后，我们就可以知道哪些向量对a1相关性高，然后我们就可以通过alpha来抽取出重要的信息了
• 我们对每一个向量a1-a4创建出v1-v4向量，$v_1=W^v{a}^1,v_2=W^v{a}^2,v_3=W^v{a}^3,v_4=W^v{a}^4$
• 然后将每一个v乘上alpha撇再全部进行相加，就能得出b1，也就是$b^1=\sum _i{\alpha }_{1,i}^{\prime }{v}^i$
• 
• 同理可得b2、b3、b4
• 

self-attention向量化

• 首先我们有三个需要训练的矩阵$W_q,W_k,W_v$
• 而且每个输入进来的词向量都有q, k, v
• 可以看到每一个q1-q4都是是由a1-a4分别乘上Wq矩阵得来的
• 于是我们可以将a1-a4放进一个矩阵I当中，然后用Wq*I就可以得到大矩阵Q，如下图所示
  • 
• 每个k和每个v同理
• 
• 怎样一步计算出每个alpha呢
• 通过之前的方法求是这样子的
  • 
• 可以看到${\alpha }_{1,1}-{\alpha }_{1,4}$都是用q1乘上k1-k4，于是我们直接将K.T乘q1，于是就可以一步求出所有的${\alpha }_{1,1}-{\alpha }_{1,4}$
• 
• 同理可得，如果用q2乘上k1-k4这个向量，最终会得到${\alpha }_{2,1}-{\alpha }_{2,4}$
• 于是我们可以直接用K.T和Q做乘法，就得到了所有$\alpha$矩阵，称它为A矩阵
• 由于一般算出来的A矩阵内的值会变的比较大，这样在后续计算过程中容易形成梯度消失，所以在这里会让A矩阵除上一个$\sqrt{d_k}$，其中的dk是词向量的维度
• 再将该矩阵套入softmax激活函数当中，就能得到所有的代表相关度的权重比$A^{\prime }$矩阵了
• 
• 最后我们再将$A^{\prime }$和V乘起来就能得到我们I矩阵所对应的O，也就是a1-a4经过对整体序列进行学习后所输出的b1-b4
• 

整体流程

1. 
2. 
3. 

对Q、K、V的通俗解释：

• 假如一个男生A，面对许多个潜在交往对象B1，B2，B3…，他想知道自己谁跟自己最匹配，应该把最多的注意力放在哪一个上。那么他需要这么做：
  1. 他要把自己的实际条件用某种方法表示出来，这就是Value
  2. 他要定一个自己期望对象的标准，就是Query
  3. 别人也有期望对象标准的，他要给出一个供别人参考的数据，当然不能直接用自己真实的条件，总要包装一下，这就是Key
  4. 他用自己的标准去跟每一个人的Key比对一下（Q*K），当然也可以跟自己比对，然后用softmax求出权重，就知道自己的注意力应该放在谁身上了

参考链接

• https://www.bilibili.com/video/BV1v3411r78R/?spm_id_from=333.337.search-card.all.click&vd_source=97163a4e6e2704667559fdbd58743862