NLP教程笔记：语言模型的注意力

NLP教程

TF_IDF
词向量
句向量
Seq2Seq 语言生成模型
CNN的语言模型
语言模型的注意力
Transformer 将注意力发挥到极致
ELMo 一词多义
GPT 单向语言模型
BERT 双向语言模型
NLP模型的多种应用

---

自然语言模型注意力

如果说在视觉上，机器可以注意到某一个区域，那么在语言上，就是注意到某一个或多个词汇。 如果我们的任务不同，这些注意力可能会想去获取不同区域的词汇。我们举个例子

如果男生代表着一种属性的注意力模型，面对这样一长串销售语言，它注意到的就是关于性能和配置的信息。 你看，如果有了注意力，那么我们的生命是不是被节省了很多。这两个人类模型的目的可以是输出购买意向， 也可以是生成下一句回复销售的对话。我们就拿生成回复来细说一下模型是如何工作的。

首先模型得先通读一下这段文字，毕竟如果没有上下文的信息， 我们也不知道究竟要注意些什么。通读完之后，我们可以得到一个对于这句话的理解，熟悉AI的人应该知道这东西叫句向量。 单独靠一个句向量我们实际上是通过全局信息来生成对话，那么注意力是局部信息，我们可以将全局信息配合局部信息一起来生成每一个回复的词。

所以女生回复的“樱桃红”可以是注意到的“亮樱桃红色”这句销售话术，而“买它”则可能是注意到“千元”和“降价”促成的回复。 所以总结下来，深度学习的注意力，和我们人类的注意力生理机制也有那么异曲同工之处。

Seq2Seq Attention 注意力机制

视觉中，模型注意局部的图片信息，那么语言中，模型注意局部的文字信息。

上图是一个情感分析的简单例子，如果我要区分一句话的积极程度，我可能会注意到这句话中某些词语的积极程度，因为这些词对于我判断积极句子起到了很大作用。 这样的attention注意力就很好理解了。箭头越粗的部分，模型的注意力就越集中。如果是翻译的情景，那注意力就像下面这样

Attention 的方案有很多种，这个方法在 decoder 用“爱”预测时，他会用“爱”这里的 state，结合上 encoder 中所有词的信息，生成一个注意力权重，比如模型会更加注意 encoder 中的爱和莫烦。 然后再结合这个权重，再次把权重施加到 encoder 中的每个 state，这样就有了对于不同 state step 的不一样关注度，注意力的结果（context）也在这里产生。 接着，把 context 和 decoder 那边的信息再次结合，最终输出注意后的答案。

补充一些数学信息，论文中提出了三种计算attention score的方式。 这里的 $h_t$ 是 decoder 见到输入生成的 hidden state, $\widehat{h_s}$ 是 encoder 见到输入时生成的 hidden state。 意思是decoder每预测一个词， 我都拿着这个decoder现在的信息去和encoder所有信息做注意力的计算。三个公式的不同点就是是否要引入更多的学习参数和变量。

翻译

在这节内容中，还是以翻译为例。延续前几次用到日期翻译的例子， 我们知道在翻译的模型中，实际上是要构建一个Encoder，一个Decoder。这节内容我们就是让Decoder在生成语言的时候，也注意到Encoder的对应部分。

# 中文的 "年-月-日" -> "day/month/year"
"98-02-26" -> "26/Feb/1998"

例子就是将中文的日期形式转换成英文的格式，同时我们也会输出类似这样的注意力图，让我们知道在模型生成某些字的时候，它究竟依据的是哪里的信息。 x轴是中文的年月日，y轴是要生成的英文日月年。

代码

先来看训练过程， 整个训练过程一如既往的简单，生成数据，建立模型，训练模型。数据的生成是提前写好的utils.DateData()功能。

def train():
    # get and process data
    data = utils.DateData(2000)
    model = Seq2Seq(
        data.num_word, data.num_word, emb_dim=12, units=14, attention_layer_size=16,
        max_pred_len=11, start_token=data.start_token, end_token=data.end_token)

    # training
    for t in range(1000):
        bx, by, decoder_len = data.sample(64)
        loss = model.step(bx, by, decoder_len)

最后你能看到它的整个训练过程。最开始预测成渣渣，但是后面预测结果会好很多。你看刚训练几轮其实效果就已经很不错了，可见注意力的强大。

t:  0 | loss: 3.29403 | input:  89-05-25 | target:  25/May/1989 | inference:  00000000000
t:  70 | loss: 0.41608 | input:  03-09-13 | target:  13/Sep/2003 | inference:  13/Jan/2000<EOS>
t:  140 | loss: 0.01793 | input:  92-06-01 | target:  01/Jun/1992 | inference:  01/Jun/1992<EOS>
t:  210 | loss: 0.00309 | input:  23-01-28 | target:  28/Jan/2023 | inference:  28/Jan/2023<EOS>
...
t:  910 | loss: 0.00003 | input:  11-09-13 | target:  13/Sep/2011 | inference:  13/Sep/2011<EOS>
t:  980 | loss: 0.00003 | input:  06-08-10 | target:  10/Aug/2006 | inference:  10/Aug/2006<EOS>

模型构建时，在encoder部分其实和seq2seq的方法是没有什么变化的。 所以下面的代码和seq2s