李宏毅机器学习self-attention

self-attention想要解决的问题是什么呢？
目前遇到的问题都是输入一个或者一排向量，输出一个类别或者一个向量。对于更复杂的问题怎么办呢？
如果输入的是一排向量并且向量的个数是会改变的呢？如文字处理，每次输入的句子不一样长度，文字怎么表示成向量呢，可以用one-hot编码或者word-embeding；一段声音信号；一个graph也是一堆向量组成；一个分子也是一堆向量，一个原子可以是一个向量。
输出是什么呢
三种可能性：
1.每个向量都有一个label，输入多少向量输出多少向量。(如词性标注，音标处理，graph的每个节点)
2.一整个sequence只需要输出一个label。(如留言的正面和负面评价，语音辨识谁说的话，分子辨识)
3.不知道输出多少个label。(如翻译)
输入跟输出一样
每个向量都有一个label，如词性标注问题，输入一个句子，每个单词都是一个向量(one-hont编码)，i saw a saw。第一个saw和第二个saw是一样的怎么处理呢？解决方法：可以考虑每个单词的前后五个向量，但是句子的长度是会发生变化的，当句子过长或者过短的时候怎么处理呢？从而引出self-attention技术。

输出的四个向量都是考虑一整排的向量的输出。得到的向量可以再做一次 self-attention，可以反复的进行下去。
self-attention的原理：

b1-b4都是考虑了输入的全部向量的输出。

根据a1，找出跟a1相关的所有向量，用α表示，那么怎么决定a1跟a4有多相关呢？使用attention模组，常用的还是dot-product

怎么套用在self-attention里面呢？接下来就是分别计算a1-a4之间的dot-produc。

分别计算a1-a4的关联性，计算完之后通过一个soft-max函数(也可以用relu)进行归一化得到α’。

得到α’后就要根据α’来抽取sequence里面的重要资讯，用α’来乘上v，最终得到b1，因为α’是归一化后得到的，所以得到的b1跟哪个α越接近说明α1跟那个α越相关，同理得到b2-b4，b1-b4是同时被计算出来的。

接下来用矩阵的角度重新分析上面的self-attention的过程


q1 =(Wq)(α1)，从而有q1q2q3q4 =(Wq)(α1α2α3α4)，令q1q2q3q4 = Q，α1α2α3α4 = I，同理得到Q,K,V

α，b的计算方式同理也可以用矩阵的方法。

从上面可以看出，整个过程唯一需要学习的参数就是Wq，Wk，Wv三组参数。

self-attention的进阶版-multi-head self-attention
head的数量属于hype parameter，需要自己调参。

α1，α2计算得到qi，ki，vi后，在进行一次矩阵计算得到qi1，qi2，ki1，ki2，vi1，vi2，常用的方法是直接进行qi，ki，vi的向量等分，如qi=[1,0,1,1]，head=2，那么qi1=[1,0]，qi2=[1,1],ki，vi计算方法同理。
注意：qi1只和ki1，vi1之间进行计算，即只跟自己序号相等的之间的向量进行计算。

计算得到bi1,bi2之后进行拼接乘上一个矩阵得到bi
从上面的分析可以发现self-attention少了一个很重要的信息-位置信息，如果觉得位置信息比较中啊哟怎么办呢？可以把位置信息塞进去，使用positional encoding技术，每一个位置有一个向量ei

加上一个ei就知道有位置信息了

如上图是第一次提出的位置编码
self-attention不仅可以用在nlp，语音，图像都可以用self-attention，但是用在语音辨识，图像处理方向时计算量非常大，怎么解决呢？
在语音辨识时，可以只看一小部分向量，至于看多少取决于自己的需要，图像处理方向目前衍生出的有detr，vit，swin transformer等模型

self-attention和cnn的比较：

self-attention是计算每个向量像素之间的关系，二cnn是一个感受野，可以理解为self-attention是cnn的复杂版本，其实cnn就是self-attention的特例。
越复杂的模型越是需要更多的数据，数据不够容易overfitting，小的模型在数据比较少的时候如果限制设置的好就不容易overfitting
self-attention和rnn的比较：
self-attention可以并行计算，考虑了所有的向量。rnn只能进行串行计算，只考虑已经输入的向量，跟后面的向量没关系。

self-attention也可以用在graph上面，知道哪些节点之间是关联的