初步了解RNN, Seq2Seq, Attention注意力机制

---

循环神经网络RNN结构被广泛应用于自然语言处理、机器翻译、语音识别、文字识别等方向。本文主要介绍经典的RNN结构，以及RNN的变种（包括Seq2Seq结构和Attention机制）。希望这篇文章能够帮助初学者更好地入门。

1.经典的RNN结构

这就是最经典的RNN结构，它的输入是：

输出为：

也就是说，输入和输出序列必有相同的时间长度！

2.Sequence to Sequence模型

在Seq2Seq结构中，编码器Encoder把所有的输入序列都编码成一个统一的语义向量Context，然后再由解码器Decoder解码。在解码器Decoder解码的过程中，不断地将前一个时刻 t-1 的输出作为后一个时刻 **t **的输入，循环解码，直到输出停止符为止。

3.Embedding

还有一点细节，就是如何将前一时刻输出类别index（数值）送入下一时刻输入（向量）进行解码。假设每个标签对应的类别index如下：

4.Seq2Seq训练问题

5.Attention注意力机制

在Seq2Seq结构中，encoder把所有的输入序列都编码成一个统一的语义向量Context，然后再由Decoder解码。由于context包含原始序列中的所有信息，它的长度就成了限制模型性能的瓶颈。如机器翻译问题，当要翻译的句子较长时，一个Context可能存不下那么多信息，就会造成精度的下降。除此之外，如果按照上述方式实现，只用到了编码器的最后一个隐藏层状态，信息利用率低下。

所以如果要改进Seq2Seq结构，最好的切入角度就是：利用Encoder所有隐藏层状态 h(t)解决Context长度限制问题。

上下文context表示成如下的方式（h的加权平均）：

那么权重alpha（attention weight）可表示成Q和K的乘积，小h即V（下图中很清楚的看出，Q是大H，K和V是小h）：

6.乘法VS加法attention

加法注意力：

还是以传统的RNN的seq2seq问题为例子，加性注意力是最经典的注意力机制，它使用了有一个隐藏层的前馈网络（全连接）来计算注意力分配：

乘法注意力：

就是常见的用乘法来计算attention score：

乘法注意力不用使用一个全连接层，所以空间复杂度占优；另外由于乘法可以使用优化的矩阵乘法运算，所以计算上也一般占优。
论文中的乘法注意力除了一个scale factor:

论文中指出当dk比较小的时候，乘法注意力和加法注意力效果差不多；但当d_k比较大的时候，如果不使用scale factor，则加法注意力要好一些，因为乘法结果会比较大，容易进入softmax函数的“饱和区”，梯度较小。

7.Luong Attention(简单了解)

注：这里就是把Decoder中的每一次的输入：上一层的输出y换成了Attention。

8.Self-Attention

9.《Attention is all you need》

9.1 encoder

注： 词向量加上了positional embedding，即给位置1，2，3，4…n等编码（也用一个embedding表示）。然后在编码的时候可以使用正弦和余弦函数，使得位置编码具有周期性，并且有很好的表示相对位置的关系的特性（对于任意的偏移量k，PE[pos+k]可以由PE[pos]表示）：

输入的序列长度是n，embedding维度是d，所以输入是n*d的矩阵，
N=6，6个重复一样的结构，由两个子层组成：
子层1:

• Multi-head self-attention
• 残余连接和LN： Output = LN (x+sublayer(x))

子层2:

• Position-wise fc层(跟卷积很像)：对n*d的矩阵的每一行进行操作（相当于把矩阵每一行铺平，接一个FC），同一层的不同行FC层用一样的参数，不同层用不同的参数(对于全连接的节点数目，先从512变大为2048，再缩小为512)，这里的max表示使用relu激活函数
• 残差连接（待）
  

输出：

• 整个encoder的输出也是n*d的矩阵

9.2 Decoder

输入:假设已经翻译出k个词，向量维度还是d，同样使用N=6个重复的层，依然使用残余连接和LN
3个子层，比encoder多一个attention层，是Decoder端去attend encoder端的信息的层（待）
Sub-L1:

• self-attention，同encoder，但要Mask掉未来的信息，得到k*d的矩阵 （这个暂且不懂代码实现）

Sub-L2:

• 和encoder做attention的层，输出k*d的矩阵，这里就不是self-Attention了。

Sub-L3:

• 全连接层，输出k*d的矩阵，用第k行去预测输出y

10.mutli-head attention

获取每个子任务的Q、K、V：

• 通过全连接进行线性变换映射成多个Q、K、V，线性映射得到的结果维度可以不变、也可以减少(类似降维)
• 或者通过Split对Q、K、V进行划分(分段)

如果采用线性映射的方式，使得维度降低；或者通过split的方式使得维度降低，那么多个head做attention合并起来的复杂度和原来一个head做attention的复杂度不会差多少，而且多个head之间做attention可以并行。

11.代码理解，待补充************

参考链接：
https://zhuanlan.zhihu.com/p/51383402
https://zhuanlan.zhihu.com/p/34781297