Pytorch 注意力分数

Pytorch 注意力分数

0. 环境介绍

环境使用 Kaggle 里免费建立的 Notebook

教程使用李沐老师的 动手学深度学习 网站和 视频讲解

小技巧：当遇到函数看不懂的时候可以按 Shift+Tab 查看函数详解。

1. 注意力分数

1.1 回顾

注意力汇聚（Pooling）表达式：
$$f(x)=\sum _i\alpha (x,x_i)y_i=\sum _{i=1}^{n}softmax(-\frac{1}{2}(x-x_i{)}^2)y_i$$
其中高斯核指数部分视为注意力评分函数（attention scoring function），$\alpha (x,x_i)$ 视为注意力权重，最后输出 $f(x)$ 就是基于这些注意力权重的值的加权和。

1.2 扩展到高维

假设 Query $\mathbf{q}\in {\mathbb{R}}^q$，$m$ 对 Key-Value $({\mathbf{k}}_1,{\mathbf{v}}_1),...$，这里 ${\mathbf{k}}_{\mathbf{i}}\in {\mathbb{R}}^k,{\mathbf{v}}_{\mathbf{i}}\in {\mathbb{R}}^v$，

注意力汇聚层（Pooling）：

最关键的就是如何设计 $a(\mathbf{q},{\mathbf{k}}_{\mathbf{i}})$。

1.3 加性注意力 Additive Attention

可学习参数：

等价于将 Key 和 Value 合并起来后放入到一个隐藏大小为 $h$，输出大小为 $1$ 的单隐藏层 MLP。(Query，Key 和 Value 的长度可以不一样)

1.4 缩放点积注意力（Scaling Dot Product Attention）

如果 Query 和 Key 的长度相同，$\mathbf{q},{\mathbf{k}}_{\mathbf{i}}\in {\mathbb{R}}^d$，那么可以得到：
$$a(\mathbf{q},\mathbf{k})={\mathbf{q}}^{\top }\mathbf{k}/\sqrt{d}$$

在实践中，我们通常从小批量的角度来考虑提高效率， 例如基于 $n$ 个查询和 $m$ 个键-值对计算注意力， 其中查询和键的长度为 $d$，值的长度为 $v$。 查询 $\mathbf{Q}\in {\mathbb{R}}^{n\times d}$、 键 $\mathbf{K}\in {\mathbb{R}}^{m\times d}$ 和 值 $\mathbf{V}\in {\mathbb{R}}^{m\times v}$ 的缩放点积注意力是：
$$f=\mathrm{s}\mathrm{o}\mathrm{f}\mathrm{t}\mathrm{m}\mathrm{a}\mathrm{x}\left(\frac{\mathbf{Q}{\mathbf{K}}^{\top }}{\sqrt{d}}\right)\mathbf{V}\in {\mathbb{R}}^{n\times v}$$

1.5 总结

• 注意力分数是 Query 和 Key 的相似度，注意力权重是分数的 $softmax$ 结果。
• 两种常见的分数计算：
  • 将 Query 和 Key 合并起来进入一个单输出单隐藏层的 MLP
  • 直接将 Query 和 Key 做内积

2. 代码

2.0 导包

!pip install -U d2l
import math
import torch
from torch import nn
from d2l import torch as d2l

2.1 遮蔽 softmax 操作

$softmax$ 操作用于输出一个概率分布作为注意力权重，在某些情况下，并非所有的值都应该被纳入到注意力汇聚中。

为了高效处理小批量数据集， 某些文本序列被填充了没有意义的特殊词元。 为了仅将有意义的词元作为值来获取注意力汇聚， 我们可以指定一个有效序列长度（即词元的个数）， 以便在计算 $softmax$ 时过滤掉超出指定范围的位置。

任何超出有效长度的位置都被掩蔽并置为 $0$：

def masked_softmax(X, valid_lens):
    """通过在最后一个轴上掩蔽元素来执行softmax操作"""
    # X:3D张量，valid_lens:1D或2D张量
    if valid_lens is None:
        return nn.functional.softmax(X, dim=-1)
    else:
        shape = X.shape
        if valid_lens.dim() == 1:
            valid_lens = torch.repeat_interleave(valid_lens, shape[1])
        else:
            valid_lens = valid_lens.reshape(-1)
        # 最后一轴上被掩蔽的元素使用一个非常大的负值替换，从而其softmax输出为0
        X = d2l.sequence_mask(X.reshape(-1, shape[-1]), valid_lens,
                              value=-1e6)
        return nn.functional.softmax(X.reshape(shape), dim=-1)

该函数的效果：

masked_softmax(torch.rand(2, 2, 4) , torch.tensor([2, 3]))

torch.rand(2, 2, 4) 表示批量大小为 $2$ 的样本，
torch.tensor([2, 3]) 表示第 $1$ 个样本有效序列为前 $2$ 个，第 $2$ 个样本有效序列为前 $3$ 个。

masked_softmax(torch.rand(2, 2, 4), torch.tensor([[1, 3], [2, 4]]))

还可以定义每个样本的每个元素的有效长度。

2.2 加性注意力（Additive Attention）

class AdditiveAttention(nn.Module):
    """加性注意力"""
    def __init__(self, key_size, query_size, num_hiddens, dropout, **kwargs):
        super(AdditiveAttention, self).__init__(**kwargs)
        self.W_k = nn.Linear(key_size, num_hiddens, bias=False)
        self.W_q = nn.Linear(query_size, num_hiddens, bias=False)
        self.w_v = nn.Linear(num_hiddens, 1, bias=False)
        self.dropout = nn.Dropout(dropout)

    def forward(self, queries, keys, values, valid_lens):
        queries, keys = self.W_q(queries), self.W_k(keys)
        # 在维度扩展后，
        # queries的形状：(batch_size，查询的个数，1，num_hidden)
        # key的形状：(batch_size，1，“键－值”对的个数，num_hiddens)
        # 使用广播方式进行求和
        features = queries.unsqueeze(2) + keys.unsqueeze(1)
        features = torch.tanh(features)
        # self.w_v仅有一个输出，因此从形状中移除最后那个维度。
        # scores的形状：(batch_size，查询的个数，“键-值”对的个数)
        scores = self.w_v(features).squeeze(-1)
        self.attention_weights = masked_softmax(scores, valid_lens)
        # values的形状：(batch_size，“键－值”对的个数，值的维度)
        return torch.bmm(self.dropout(self.attention_weights), values)

用一个小例子来演示上面的 AdditiveAttention 类， 其中查询、键和值的形状为（批量大小，步数或词元序列长度，特征大小）， 实际输出为 $(2,1,20)$、$(2,10,2)$ 和 $(2,10,4)$。 注意力汇聚输出的形状为（批量大小，查询的步数，值的维度）：

queries, keys = torch.normal(0, 1, (2, 1, 20)), torch.ones((2, 10, 2))
# values的小批量，两个值矩阵是相同的
values = torch.arange(40, dtype=torch.float32).reshape(1, 10, 4).repeat(2, 1, 1)
valid_lens = torch.tensor([2, 6])

attention = AdditiveAttention(key_size=2, query_size=20, num_hiddens=8, dropout=0.1)
attention.eval()
attention(queries, keys, values, valid_lens)

输出权重热图：

d2l.show_heatmaps(attention.attention_weights.reshape((1, 1, 2, 10)),
                   xlabel='Keys', ylabel='Queries')

2.3 缩放点积注意力（Scaling Dot Product Attention）

class DotProductAttention(nn.Module):
    """缩放点积注意力"""
    def __init__(self, dropout, **kwargs):
        super(DotProductAttention, self).__init__(**kwargs)
        self.dropout = nn.Dropout(dropout)

    # queries的形状：(batch_size，查询的个数，d)
    # keys的形状：(batch_size，“键－值”对的个数，d)
    # values的形状：(batch_size，“键－值”对的个数，值的维度)
    # valid_lens的形状:(batch_size，)或者(batch_size，查询的个数)
    def forward(self, queries, keys, values, valid_lens=None):
        d = queries.shape[-1]
        # 设置transpose_b=True为了交换keys的最后两个维度
        scores = torch.bmm(queries, keys.transpose(1,2)) / math.sqrt(d)
        self.attention_weights = masked_softmax(scores, valid_lens)
        return torch.bmm(self.dropout(self.attention_weights), values)

queries = torch.normal(0, 1, (2, 1, 2))
attention = DotProductAttention(dropout=0.5)
attention.eval()
attention(queries, keys, values, valid_lens)

d2l.show_heatmaps(attention.attention_weights.reshape((1, 1, 2, 10)),
                  xlabel='Keys', ylabel='Queries')

3. Q&A

Q：mask_softmax 是啥意思？
A：有时候一个句子不够长，假如说一个句子 4 个单词，输入格式要求 10 个单词，那么需要填充 6 个无意义的词，然后用 mask_softmax 告诉 Query 计算的时候不需要考虑后 6 个词。