[模型学习]Attention机制及其原理推导

1. Attention的基本原理

Attention基本原理

在该公式中，X为输入矩阵

1.1 步骤1

注意力机制步骤1

首先，每一个输入向量分别和Wq, Wk, Wv矩阵相乘，得到对应的q, k, v向量，然后每一个q向量分别与其他的k向量做内积，得到各个注意力分数(Attention Score)α，在得到该分数后，对其做softmax操作（操作流程在上图上方），得到α'，这时，所有的α'的和为1。

1.2 步骤2

注意力机制步骤2

在得到softmax后的α'后，将每个输入向量对应的α'和其对应的v向量相乘(做缩放)，然后将所有缩放后的向量相加，得到y向量。

这是前三个公式的示意图

1.3 这两张图展示了第四个公式的实际过程

1.4 这两张图展示了最后两个公式的实际过程

整体看来，每一个输入元素都能够通过注意力分数得到与其他元素的关联信息，做到了“天涯若比邻”的效果。

1.5 位置向量的原理

在获取到注意力机制的结果后，由于我们需要处理的是序列，有先后关系，因此需要一个向量来表征一个元素的位置，这就是为什么需要位置向量。

在上图中，红色的e向量就是我们所说的位置向量。在这里，我们假设要求x2的位置向量，x2的位置是2，那么pos=2，x2的维度是4，位置向量的维度与对应向量维度相等，那么位置向量的维度也为4。在此基础上，位置向量的奇数位置的元素计算公式为对应的cos公式，偶数位置的计算公式为sin公式，如图，由此，得到位置向量。

2. 如何形象理解注意力机制

众所周知，这个是Attention的公式，但是很明显，我们除了会直接使用它，并不能理解它的实际涵义。现在，我们忽略Q, K, V矩阵，把上面的公式转换成下一个公式：

首先我们观察,这是一个矩阵乘以其转置，我们下面模拟这个运算过程：

我们假设左边的是X，右边的是X的转置，经过矩阵乘法，得到结果，矩阵乘法的这里是做向量内积，我们知道，向量越重合（越相似），内积越大，若垂直（不想管），内积越小。由此可看出不同字符之间的相似性。

再经过Softmax函数，可以得到右下角的注意力得分，也就是本元素和其他元素的关系，也就是在1中我们的α。

得到注意力分数后，对于1中，就是分数和V向量相乘，在将相乘后的向量相加的过程，此处也可以按下图来理解，可以看到cross的向量是其他词语的向量经过叠加后的结果：

以上就是所有内容

在此特别感谢b站的课程up：【Attention、Transformer公式推导和矩阵变化】 https://www.bilibili.com/video/BV1q3411U7Hi/?share_source=copy_web&vd_source=54a003f2fe57290ef9f347426cdb53c9

以及知乎的创作者：https://zhuanlan.zhihu.com/p/410776234