浅谈seq2seq中Attention机制

attention 机制概要

---

  Attention mechanism，恩，也就是他的字面意思，我们对序列进行注意力分配，也就是使重要的信息更加的突出，不明显的信息被弱化或者忽略。这个机制具体怎么体现的呢？接下来我们来分析一下attention机制的原理。

  在理解atention之前，最好对encoder-decoder框架有一点了解，因为，目前很多的attention机制依附于这个框架来实现。我们这里讲解的seq2seq中的注意力机制是以rnn单元构成的encoder-decoder框架的翻译模型来进行分析，encoder-decoder我们可以理解为将序列经过encoder之后压缩为一个定长的向量，我们再将这个向量传输给decoder来进行解码。这样子的缺点是：

1. 当我们的序列很长的时候，这个向量的表示效果会很差。
2. 是在输入输出的时候长度不确定性，也就是输入的一个词可能对应输出几个词等。而且采用一样的权重，这样效果会很差。

  因此，我们需要一个更好的表示，我们在decoder的每一个rnn cell中，我们取出了encoder所有隐藏层的输出，并同时给予不同的权重，经过映射传给decoder的当前rnn cell，（参看下图）这就是简单的attention机制。并且，Attention本身可以做为一种对齐关系，解释翻译输入/输出句子之间的对齐关系。那么这个权重怎么计算呢？

---

---

计算分析

---

  和论文一样采用倒序的方式分析，首先我们定义一个条件概率模型：
$$\mathbf{p}({\mathbf{y}}_{\mathbf{i}}|{\mathbf{y}}_1,...,{\mathbf{y}}_{\mathbf{i}-1},\mathbf{x})=\mathbf{g}({\mathbf{y}}_{\mathbf{i}-1},{\mathbf{s}}_{\mathbf{i}},{\mathbf{c}}_{\mathbf{i}})\text{\hspace{1em}(1)}$$
  这里$s_i$是decoder的不同时步 rnn cell 的 hidden state，$c_i$是一个context vector 或者我们可以叫做 attention vector。我们在来看 $s_i$ :

$${\mathbf{s}}_{\mathbf{i}}=\mathbf{f}({\mathbf{s}}_{\mathbf{i}-1},{\mathbf{y}}_{\mathbf{i}-1},{\mathbf{c}}_{\mathbf{i}})\text{\hspace{1em}(2)}$$
  当前状态的 $s_i$ 由上一个状态的 hidden state ($s_{i-1}$) 和 当前的context vector 共同决定。我们再来看 $c_i$ 怎么得到：
$${\mathbf{c}}_{\mathbf{i}}=\sum _{\mathbf{j}=1}^{{\mathbf{T}}_{\mathbf{x}}}{\mathbf{\alpha }}_{\mathbf{i}\mathbf{j}}{\mathbf{h}}_{\mathbf{j}}\text{\hspace{1em}(3)}$$
  其中，i 表示decoder端的第i个词，$h_j$表示encoder端的第j个词的隐向量，$a_{ij}$表示encoder端的第j个词与decoder端的第i个词之间的权值，$a_{ij}$的计算公式为：

$${\mathbf{\alpha }}_{\mathbf{i}\mathbf{j}}=\frac{\mathbf{e}\mathbf{x}\mathbf{p}({\mathbf{e}}_{\mathbf{i}\mathbf{j}})}{{\sum }_{\mathbf{k}=1}^{{\mathbf{T}}_{\mathbf{x}}}\mathbf{e}\mathbf{x}\mathbf{p}({\mathbf{e}}_{\mathbf{i}\mathbf{k}})}\text{\hspace{1em}(4)}$$
根据这里$a_{ij}$的取值不同，可以分为不同的attention 机制：

1. 之前我们讨论的attention，对$a_{ij}$分配一个0到1的值，这就是soft attention；
2. 将$a_{ij}$的取值0-1化，这样就得到了hard attention；
3. 只考虑窗口内的隐藏值，进行softmax，窗口外的权值为0,这样就是local attention了；
4. 。。。。。。。。。。。。。。。。。。

$e_{ij}$的计算如下：
$${\mathbf{e}}_{\mathbf{i}\mathbf{j}}=\mathbf{a}({\mathbf{s}}_{\mathbf{i}-1},{\mathbf{h}}_{\mathbf{j}})\text{\hspace{1em}(5)}$$

$a$ 有以下三种：

1. 点积 ： $e_{ij}=s_{i-1}{h}_j$
2. 乘法： $e_{ij}=s_{i-1}w{h}_j$
3. 加法 ：$e_{ij}=v^{T}tanh(w_1{s}_{i-1}+w_2{h}_j)$

  note：第二个W矩阵是训练得到的参数，维度是d2 x d1，d2是s的hidden state输出维数，d1是hi的hidden state维数，其中，W1 = d3xd1，W2 = d3*d2，v = d3x1 ，d1，d2，d3分别为h和s还有v的维数，属于超参数。

  我们把 $e_{ij}$ 叫做 匹配度 或者 attention score ，这个匹配度是将 encoder 的每一个rnn cell 的 $h_t$ 和 decoder 当前的 rnn cell的 $h_t$ 通过 映射 $a$ 得到，

---

KQV理解

---

Attention函数的本质可以被描述为一个查询（query）到一系列（键key-值value）对的映射，如下图：

首先，解释一下Q,K,V分别代表的含义：

Q：Decoder中RNN cell 的输出h；
K：Encoder中每个 time_step的输出h；
V：K=V;

在计算attention时主要分为三步，如下：

1. 将query和每个key进行相似度计算得到权重，常用的相似度函数有点积，拼接，感知机等；
2. 一般是使用一个softmax函数对这些权重进行归一化；
3. 最后将权重和相应的键值value进行加权求和得到最后的attention vector。目前在NLP研究中，key和value常常都是同一个，即key=value。

参考文献

---

https://zhuanlan.zhihu.com/p/47063917
https://arxiv.org/pdf/1409.0473.pdf
https://blog.csdn.net/qq_41058526/article/details/80578932