【NLP基础理论】10 上下文表示（Contextual Representation）

无名草鸟

已于 2022-05-25 17:27:22 修改

阅读量4.7k

点赞数 7

分类专栏： ai 文章标签：自然语言处理 nlp

于 2022-04-22 01:25:42 首次发布

本文链接：https://blog.csdn.net/qq_41020633/article/details/124015852

版权

ai 专栏收录该内容

20 篇文章 11 订阅

订阅专栏

注：

Unimelb Comp90042 NLP笔记

相关tutorial代码链接
本文除去COMP90042笔记之外还参考了李宏毅的视频和其他链接（在文中已标出）。

上下文表示

前情提要：

词向量/嵌入
- 每个单词类型都有一个表现形式（上一篇文章中说到的Word2Vec）
- 但这些表现形式只有一种，不管这个单词的上下文是什么。也就是一词多义也只有一个向量。
- Contextual representation（上下文表示） 指的是基于上下文来表示单词
- 预训练的上下文表示对于下游应用来说真的不错。
RNN 语言模型
回忆一下之前的RNN，其实当时提到的隐藏状态 就是上下文表示，因为它包含了上一个单词的内容和当前单词的内容。

但从图中也可以看到，我们只能获取目标单词左边的上下文，不过我们可以用双向RNN解决这个问题，实现获取目标单词左右两边的上下文。
双向RNN
双向RNN就是将原来的RNN reverse一下，然后将目标单词两边的上下文concatenate。

这里我们将 $s_3,u_3]$ 合并，既可以表示eats上下文。 $s_3$ 包括了单词 a, cow, eats， $u_3$ 包括了 . , grass, eats。

包括上一篇，至此我们能够根据上下文得出目标单词的词向量，但是当目标单词有多种意思时，我们没办法用同一向量来表示。

所以我们希望根据上下文生成同一单词的不同词向量。

1 ELMo

Embeddings from Language Models (ELMos)

Peters et al.(2018) 提出: https://arxiv.org/abs/
1802.05365v2
在 10 亿 单词上训练了一个双向，多层 LSTM 语言模型。
然后结合了多层LSTM的隐藏状态，用于下游任务。最开始只用了最顶层的信息用于研究。
利用上下文来推断每个词对应的词向量，能够根据语境来对多义词理解。
大大提升了任务表现。

1.1 简介

ELMo是由两层双向 LSTM （biLM）组成，其隐藏维度（hidden dimension）数量为 4096。
它主要是通过字符级的卷积神经网络（Character convolutional network） 来生成词嵌入（word embeddings），因此就不会存在不知道的单词了。

在这里插入图片描述
（图文链接）

上述架构使用字符级卷积神经网络 (CNN) 将文本字符串中的单词表示为原始单词向量。
这些原始词向量作为 biLM 第一层的输入
前向传递包含有关某个单词和该单词之前的上下文（其他单词）的信息
后向传递包含有关单词及其后的上下文的信息
这对信息，来自前向和后向传播，形成了中间词向量
这些中间词向量被输入到 biLM 的下一层
最终表示（ELMo）是原始词向量和 2 个中间词向量的加权和

由于 biLM 的输入是根据字符而不是单词计算的，因此它捕获了单词的内部结构。例如，biLM甚至无需查看它们经常出现的上下文，就可以辨别出 beauty 和 beautiful 是相似的。

CNN ：
卷积神经网络经常会使用在图像处理中。我们把一张图看成一个像素矩阵，然后拿着一个小正方形窗口（通常为3*3或5*5）从左到右从上到下，在图片上进行滑动。然后将每个窗口内的信息送入卷积层，因为卷积层有不同参数，所以输出的数据大小也不同。
它会通过 padding 来保证获取到图像边缘处的信息（因为进入卷积层之后，如果没有进行padding可能会出现边缘信息消失），会通过 Max pooling 对数据大小进行压缩。

把它带到NLP里，也是相同的作用，可以把单词当做一维单通道的图像。我们通过增加 padding 来保证单词最前最后的字符能送入卷积层。然后通过滑动窗口依次进行移动，进入卷积层再通过池化层压缩，最后经过全连接再输出一个字符级代表向量（包含着该单词内的一些特征）。
在这里插入图片描述
ELMo 有多好？

在这五项任务中，ELMo至少比baseline高了 5.8%。

其他发现

较低层的向量表示可以抓住句法（syntax）
- 比如说对于 词性标注、命名实体识别会有较好效果。（可能底层只能想抽出一些句子中单词之间的关系）
较高层的向量表示可以抓住语义（semantics）
- 对于 问题回答（QA）、文本蕴含、情感分析会有较好效果。（高层就能抽出一些句子中比较抽象的东西）

1.2 提取上下文表示内容

假设现在我们有一个已经训练好的ELMo模型，我们希望得到 “Let’s stick to” 中 stick 的词向量（根据这句话得出的词向量）

Step 1：
在这里插入图片描述
按照单词进入CNN，生成绿色的词嵌入，随后分别进入正向和反向的两层LSTM，得到每一层的词向量（图中的红色、紫色）。
Step2：

按照层，将正反模型中输出的向量进行合并；
得到三个向量之后，给每个向量乘上不同的权重（这个权重设置是在下游模型中进行调整的，ELMo也是预训练模型，后文慢慢讲预训练模型）
最后把三个已经乘上权重的向量相加，得到最后的词向量，这个词向量便是基于上下文得到的最后结果。

下游任务：词性标注
假设现在我们拿着训练好的ELMo，去做一个词性标注任务，我们将ELMo输出的词向量和原文向量进行合并，作为RNN的输入向量。，从而进行预测。
在这里插入图片描述
此时，状态 $s_i$ 的函数就变为了：
$s_i=tanh(W_ss_{i-1}+(W_xx_i\oplus e_i)+b)$

1.2.1 上下文 v.s. 非上下文

Glove 是一种统计共现矩阵、非上下文的词向量生成方法。当给定一个单词 play 的时候，我们能通过比较向量之间的远近，找到 playing，game 等单词；
biLM 是双向语言模型，通过上下文来生成不同的词向量。当给定不同包含 play 的句子时，它会给出包含 play 的整句话最相近的邻居。比如下图中，虽然两个 play 都是话剧的意思，但是他们的最近邻居并不是同一个，这是因为此处词向量是根据上下文的不同而有所不同。
在这里插入图片描述

1.2.2 上下文表示的缺点

难以进行内在的评价，例如：单词
相似性、类比性。（因为同一个单词它的向量都不同，所以以单词来进行评价会比较难）
可解释性（很难解释他到底从上下文中学到的是什么）
训练大规模的上下文嵌入（要根据上下文找到单词的意思会需要非常大的同类数据）

2 BERT

一个总结了很多BERT相关问题的链接，值得一看，可以看完本文再去了解。

2.1 前提回顾

RNN的缺点：

顺序处理：难以扩展到非常大的语料库或模型。
RNN语言模型从左到右运行（捕获
只有一侧的语境)
双向RNN虽然有帮助，但它们只能捕捉到
表面的双向表征

我们在回想一下刚刚讲的ELMo，它是使用了两层双向LSTM，然而所谓双向实际上是分别运行，直到最后才将两个方向生成的向量合并在一起。
也就是它的正反向在处理数据的时候并没有相互考虑到对方！

为了解决这些缺点，Devlin 在2019年提出了一个 BERT（Bidirectional Encoder Representations from Transformers）

2.2 简介

BERT

使用 self-attention （aka Transformers）来抓取单词之间的联系，并且 self-attention能够避免顺序处理。
通过 Masked language model （屏蔽语言模型）来抓住更深层的双向表示。
但因为不是顺序处理，所以失去了生成语言的能力。
如果目标是去学习一个上下文表示，那就没问题了

对比 ELMo 和 BERT 结构
如前文所述，ELMo是按照顺序输输入（一次只看一个当下的）正向与反向的两层LSTM，随后再将各层向量进行合并再输出。
在这里插入图片描述
BERT 会一股脑让模型看到所有的输入数据，然后由多层 Transformers 来同时处理所看到的每个数据。后文将会详细说明 Transformer，这里就记住BERT通过Transformers对输入数据进行并行处理。

2.3 BERT目的

2.3.1 目的1：屏蔽语言模型（Masked Language Model）

随机 “遮蔽（mask）” 所有tokens中的 k% 个
目的是为了去预测这些被遮住的单词
比如下图中，我们随机遮住了两个单词，然后希望通过浏览整句话来预测被遮住的两个单词是什么。

2.3.2 目的2：下一句话的预测

希望模型能够从句与句中学习到一定关联
预测句子B是不是跟在句子A后面
为下游任务（分析句子对，比如说文本蕴含）提供有用的预训练目标
比如，我们通过输入两个句子 A 和 B，然后输出二元结果，即判断 B 是不是 A 的下一句。

2.4 模型训练的细节

预训练模型的训练数据用的是子单词（subword）
使用了多层 transformers 去学习上下文表示
数据是来自维基百科（Wikipedia）和 BookCorpus
最初的模型训练使用了多个GPU，并花费了多天才训练出来

2.5 如何使用BERT

在预训练 BERT 模型上，根据下游任务的数据在此基础上继续训练（这个过程也叫 fine-tune）
但如何使预训练模型适应下游任务？
在上下文表示的顶层多加一层分类层

2.5.1 训练和微调（fine-tuning）

下图是 BERT 的最核心的两个步骤：

Step 1：在大量的文本上进行半监督训练。
一开始我们只需要去预测一些被遮住的单词是什么，相当于让BERT去学习填空题，但在这个学习填空的过程中就逐渐了解了什么是单词、句子、文章和他们之间的关系。
Step 2：在有标注数据的具体的任务上进行监督训练。
这一步基于 BERT 已经是一个会读书认字的模型了，那我们再给它灌输一些特定的任务，让它学一下，想必很快就能学会了。

例子：垃圾邮件鉴别

根据前文所述，BERT会将所有相关数据输入，通过多层的 Transformers 输出要注意的是，我们需要在原始句子最开头添加一个特殊token [CLS]。
因为 Transformers 会以此把 [CLS] 和句子中的其他token进行关联计算，所以相当于 [CLS] 输出的上下文表示向量可以代表整句话的含义。
此时，我们就用 [CLS] 的上下文向量作为我们下游任务的输入！
在这里插入图片描述
为了去鉴别垃圾邮件，我们简单的在BERT上加了一个二元分类器，仅把 [CLS] 对应生成的上下文向量作为输入，然后先随机生成分类器中的参数。
根据监督分类方法，我们通过计算误差项反向传播更新分类器中的参数，同时整个BERT中的参数也会被更新！
在这里插入图片描述
监督分类器之后，我们就训练好一个基于 BERT 的垃圾邮件分类器了！

2.6 BERT vs. ELMo

ELMo模型是通过语言模型任务得到句子中单词的 embedding 表示，然后将向量作为下游任务的输入
因为ELMo输出的都是每个单词的上下文表示（也可以说是提取了这个单词的特征），所以这一类预训练的方法被称为“Feature-based Pre-Training”
ELMo 的参数都是固定的，即每一层向量合并之后的权重参数是固定的，它不会像 BERT 一样受到更新。
BERT 模型是“基于 Fine-tuning 的模式”，也就是我们在 BERT 模型的基础上，增加一个能够配合BERT的模型（而不需要配某个特定任务的模型），从而更新整个网络的参数。

2.7 BERT 有多好

每一项任务都有最高的准确率，其中 $BERT_{BASE}$ 是12层 Transformer Encoder， $BERT_{LARGE}$ 是24层。
在这里插入图片描述

3 Transformers

别人的Transformer模型详解
前文中提到， ELMo中处理数据的都是 LSTM，LSTM我们已经清楚是什么。但 BERT 中处理数据的 Transformer Encoders 我们并不清楚，因此本章节将会说什么是 Transformers！
在这里插入图片描述

3.1 简介

Transformer 是 2017年 Google 团队提出的，有两个主要模块 Encoders 和 Decoders。简略图就是如下展示，通过编码器得到编码信息，再对编码信息进行解码，得到最后结果。
在这里插入图片描述
这张图是 Attention is all you need 论文中 Transformers 的完整结构图，后面将慢慢细讲。

3.2 Encoder

既然 BERT 中使用的是 Transformer Encoder，那先看一波 Encoder 的结构。
从下至上简单的浏览一下：

Inputs：输入的原始数据，比如 “Let’s play balls”
Input Embedding：把每个单词变成词嵌入，变成向量。
Positional Encoding：一个表示位置的向量。因为输入的词嵌入都是单独的，它没有任何位置信息，所以就算你是按照某种顺序输入数据，模型都不会知道每个词所对应的位置是如何。所以要对每一个不同位置设置一个位置向量，然后直接将位置向量拼接在输入向量前面。
Multi-Head Attention：多个 Self-Attention 组成 Multi-Head Attention。 Attention（注意力）是一种机制，在预测结果时把注意力放在不同的特征上（可以理解为当我们要预测 play 时，我们可以专注看 play 和 Let’s 的关系或者 play 和 balls 之间的关系）。后文会详细讲解 Self-Attention。
Add & Norm：分别是将处理结果和输入结果相加（类似残差网络），然后最归一化。后文会解释具体公式。
Feed Forward：就是一个简单的前馈神经，包括两层全连接层。

接下来我们从最陌生 自注意力模型 Self-Attention(SA) 开始。
（注：Attention和self-attention不同）

3.2.1 Self-Attention

假设现在有一句话 “昨天上课讲了BERT模型，竟然不知道BERT这么好！” ，我希望通过一个模型来判断这句话的正负向情感。回想一下之前说的方法：

FFNN和CNN：虽然可以自动提取处单词属性，但是单词是一股脑塞进去的，毫无时序可言。在上面的例句中，可能模型会被训练成看到不就是负向，看到好就是正向，不好通常一起出现的时候也是负向，所以这里例句可能会被判为负向。
RNNs：虽然有时序，但是真正决定这个句子正负向的关键词还是好，RNNs会记录之前那么长没有用的东西，可能反而干扰了最终判断。

所以想象一下，当我们去看这句话的时候，我们会更关注后半句话，或者可能会一眼看到那个好字，从而判断感情。
或者举另一个翻译的例子，若要把上面的中文翻译成英文，那在翻译昨天的时候，我们只会更注意 今天这两个字，毕竟翻译最基本的想法就是一一对应。
或者再举另一个翻译的例子，从中译英时，我们需要考虑的是时态，Yesterday’s class covered the BERT model 那么在翻译动词讲的时候，我们不仅要把注意力放在讲本身上，还要去注意昨天。
这就是 Attention 机制最直译地理解。

那我们如何让模型实现这个过程？

3.2.1.2 Self-Attention 中的 Query, Key, Value

现在要生成 made 的上下文表示向量，那么我们将把 made 和其前后的这三个词分别计算关联，然后生成包括自己在内的四个向量，并且给这个四个向量分配不同的权重。
在这里插入图片描述

input ：
- Query q ，在这里是 made ，即我们当下正在想要查询的那个词
- Key k 和 Value v，在这里就是出去 made 之外的词，需要去pay attention的词
- 键/值/查询概念类似于检索系统。例如，当您在 Youtube 上搜索视频时，搜索引擎会将您的查询（搜索栏中的文本）映射到与数据库中的候选视频相关联的一组键（视频标题、描述等），然后呈现给您最佳匹配的视频（值）。
Query, Key, Value 都是向量，都是经过embeddings线性投影来的
比较目标词的Query向量（made）和上下文词的Key向量以计算权重。（这个就是在pay attention的过程）
目标词的上下文表述 = 上下文词和目标词的Value向量的加权和
$c_{made} = 0.1v_I+0.5v_{made}+0.2v_{her}+0.3v_{duck}$

题外话
其实看到这里，我就很迷惑为什么我们需要从上下文单词中拉出 Key 和 Value 两个向量，用一个不就行了吗。
但后来发现他们虽然存在一定关系但是是完全不一样的用意。
比如说现在有一个单词 network ，但所在的句子中既有 neural 也有 social。根据我们的经验，social network 和 neural network 都会经常出现，所以说当判断 network 的query和这两个单词的 key 时，都会得到较大的权重。我们也可以理解为 “对于 network 来说，social 和 neural 需要 pay的attention是一样的”。key是这两个词对于query的attention程度，但是！！value是这两个词本身含义的向量，这两个词的vaule就不可能相像了。
题外话结束

这张图是整个 Self-Attention 求一个 target word 上下文向量的结构。
在这里插入图片描述
首先我们先来讲最底下两层：生成qkv向量以及kq比较。

3.2.1.3 比较 Query 和 Key

现在设 $\alpha$ 可以表示两个单词相关的程度，我们有两种方法来体现：

Dot-Product：
- 分别将目标字向量、上下文向量乘上 Query 参数和 Key 参数，得到 q 向量和 k 向量。
- 将 q 和 k 两个矩阵进行点乘，得到相关程度 $\alpha$
Additive
第二种方法将 q k 两个向量进行相加，然后通过 tanh 进行变化生成矩阵 W 最后计算得到 $\alpha$ 。

在 Self-Attention 里面，我们用的是第一种 点乘法 来得到 $\alpha$ 。

将比较过程公式化
我们现在想知道目标单词 $a^1$ 向量与上下文词 $a^2$ 之间的关联性如何。
那么把 $W^qa^1$ 当成 query $q^1$ ， $W^ka^2$ 当成 key $k^2$ ，点乘后（由于两个都是向量所以是对应相乘再相加）得到的 $\alpha _{1,2}$ 作为 attention score。
在这里插入图片描述
由于 $W^q，W^k，W^v$ 三个参数对于任何一个向量来说都是不变的，且他们三个大小相等。那我们就可以矩阵运算把所有的向量一股脑乘上这三个参数，从而得到 Query、Key、Value 向量。

注：因为是矩阵参数乘上向量，所以我们可以通过矩阵的大小来控制输出向量的大小！比如说我现在输入的向量大小是 5 * 1，然后用大小为 4 * 5 的参数矩阵乘上它，就可以输出一个 4 * 1 的向量。

假设现在我们只有四个输入向量 $a^1,a^2,a^3,a^4$ （多行一列），然后将他们拼成多行四列的大矩阵。随后再用参数矩阵去乘上大矩阵，根据矩阵的乘法，我们得出的结果矩阵 $Q$ 其实可以直接拆成 $q$ 。

通过参数矩阵乘上拼接输入向量之后，我们得到了三个大矩阵 $Q, K, V$ ，分别包含了所有单词的query、key、value向量。
在这里插入图片描述
之所以采用矩阵方式计算的目的是为了提高经计算速度

随后开始计算 $\alpha$ 。
因为 q 和 k 是两个大小相等的向量，点乘过程相当于是对 k 做了个转置。
在这里插入图片描述
这里变成了 k 在前面 q 的原因应该是由于我们这里给的向量的图解释是 4 * 1，但实际向量表示都是 1 * 4，可以理解为 $AB^T=(BA^T)^T$ ，但这里正好两个都是向量，所以交换相乘结果还是一样。

以第一个单词的query去乘上所有单词的key，变成矩阵运算：
在这里插入图片描述
然后将矩阵计算推广成一个 $\alpha$ 矩阵：

至此，我们得到了所有比较的 Attention Score。也就是下图中，红色框内的东西。

3.2.1.4 归一化等计算

结束下两层，现在进行最后三层讲解：
在这里插入图片描述
我们对每一列 $\alpha$ 做归一化得到 $\alpha '$
最后求输出层的向量， V 乘上 *A’*每一列就可以得到一个 b（矩阵相乘包括了乘法和加法），b 就是输出向量了。

接下来展开讲一下这两层具体的内容：

Softmax
softmax在这里的作用就是归一化。
在这里插入图片描述
下面公式中的 $\cdot k$ 即我们前面提到的 Attention Score，q 是 target word的，k 是其中一个 context word 的，经过 softmax 函数之后结果为 $\alpha '$ 如下所示
$\alpha '= \frac{e^{q\cdot k}}{\sum_j e^{q\cdot k_j} }$
$\alpha '$ 即为归一化的 Attention Score

处理 Value 向量
前一层得出的归一化 Attention Score 在这一层将作为权重乘上对应的 value 向量。所以红圈内的值为 $\frac{e^{q\cdot k}}{\sum_j e^{q\cdot k_j}} \cdot v$
在这里插入图片描述
但要注意的是这里的 k 和 v 都是来自同一个 word 的。

3.2.1.5 最终输出

每一层都看懂了之后，我们写出 target word 的通式，我们用 $A (q, K, V)$ 来表示最上方的 output，其中 q 是 target word 的 query 向量， K，V 是所有单词的 key、value向量所组成的矩阵：
$\sum_i softmax(q\cdot k_i) \times v_i= \sum_i\frac{e^{q\cdot k_i}}{\sum _j e^{q\cdot k_j}} \times v_i$
在这里插入图片描述
一般 Self-Attention 用作 seq2seq 的情形（比如翻译、POS等），也就是说一次输出一串序列，那么每个单词都会作为一次 target word。同样，为了提高计算速度，用矩阵方式计算。那么最终的通式即为：
$A(Q,K,V) = softmax(QK^T)V$

题外话
这里可能有人会疑惑，因为前面文章写的是 $K^T$ 乘上 $Q$ ，而这里却反过来了。之前也讲过了，因为前文是将输入向量作为一个多行一列的矩阵来计算，但通常输入向量都是一行多列，两者是一个转置的关系。因为要用此处的一行多列向量形成的 $QK^T$ 为基准那么前文的公式就应该表示为 $KQ^T$ 。两者相乘结果为 $E$ （基本公式就是 $AB^T=(BA^T)^T$ ）。
所以在计算输出矩阵 $A^{'} V$ 同理，使得最终两者答案一致。
题外话结束

3.2.1.6 总结所有过程

在这里插入图片描述
如果我们想避免点乘的结果过大，可以用将 Attention Score 矩阵进行缩放，其中 $d_k$ 是 query和key向量的维度。（更新：当时说的模糊，看完激活函数之后才反应过来，可以看这篇文章，重点就是归一化，防止softmax饱和，导致梯度消失）
在这里插入图片描述

3.2.2 Multi-Head Attention

醒醒，我们现在其实在讲BERT，还记得不。
我们从BERT $\rightarrow$ Transformer的Encoder $\rightarrow$ Multi-Head Attention $\rightarrow$ Self-Attention，然后 Self-Attention 我们总算是搞完了，现在开始讲 Multi-Head Attention。（好一个讨人厌的递归啊！）

（我还是像墨大一样，只讲需要用到的地方吧。后面再单独开文章。。）

Multi-Head ，可以理解为我们有多个 Self-Attention，每个Self-Attention 都有不同的 $W_q,W_k,W_v$ 。
在这里插入图片描述

比如说现在我们有 4 个头，那会得到 4 个输出向量。然后就是无脑拼接，再用一个矩阵做线性变化得到最后的输出。
整体过程其实就如下图所示（输入时 2 * 4 的矩阵，Self-Attention 输出是2 * 3，拼成 2 * 21，用 21 * 4 的矩阵进行线性变化，最后得到一个 2 * 4 的输出）：
在这里插入图片描述
写成通式的话：
$Multi(Q,K,V)=concat(head_1,...,head_h)W_o\\ head_i=Attention(QW_i^Q,KW_i^K,VW_i^V)$

3.2.3 Positional Encoding

Multi-Head Attention 结束了之后，我们终于可以回到 Transformer Encoder了。
在这里插入图片描述
我们发现在进入Multi-Head Attention 之前还有一步，就是这个 Positional Encoding。
我们简单回想一下刚刚的所有过程，因为Attention能一下子接收到所有的输入数据，然后在计算ＱＫＶ，但是它并不知道这些数据之间的顺序是如何的，即在查看两个单词关联性的时候并没有考虑过单词位置信息。
因此需要Positional Encoding。对每一个不同位置设置一个位置向量，然后直接将位置向量加在输入向量前面。
在这里插入图片描述
但是位置向量目前大部分是人为设置的，不过也有用sin／cos函数生成。positional encoding还是待研究的，可以参考一下下图的研究内容。

3.3 Self-attention 和 RNN的区别

虽然 bi RNN也能让每个输入向量考虑到前后文，但是相比self-attention来说，越后面的向量就越难抓住前面的信息（也就是之前说的前面的信息会被遗忘）。而self-attention的话它是通过每个query配不同向量的key，即使两个向量间隔很远，但是他们会有直接的比较，也就能更好的考虑遥远的前文。
RNN不能并行执行但是self-attention可以。

但self-attention运算量大，所以目前方向就是提高运算速度，比如transformer（Efficient Transformers：A Survey）

至此，新知识都已经讲过了，哈哈就戛然而止，这一节课要拓展的内容实在太多了，其实应该就按照学校ppt来写，其他的内容再做衍生。

题外话
self-attention的应用会在transformer会在bert，但在语音里面应用的时候，当self-attention考虑一整句话的时候，矩阵大小会非常大，导致内存紧张，所以出现了 truncated self-attention ，也就是原本考虑一整句话的地方现在仅截取其中一段作为考虑。

在图像处理中，CNN就是self-attenttion的特例，也就是CNN限制更多看到的。
CNN在数据量少的时候效果比较好，当在3亿张图片的时候self-attention的结果就比CNN好，因为self-attention的弹性会比CNN高，训练少的时候self-attention容易overfitting。
在这里插入图片描述