【动手深度学习-笔记】注意力机制（四）自注意力、交叉注意力和位置编码

紧接上回：【动手深度学习-笔记】注意力机制（三）多头注意力

自注意力（Self-Attention）

在注意力机制下，我们将词元序列输入注意力汇聚中，以便同一组词元同时充当查询、键和值。 具体来说，每个查询都会关注所有的键－值对并生成一个注意力输出。
像这样的，查询、键和值来自同一组输入的注意力机制，被称为自注意力（self-attention）或者内部注意力（intra-attention）。
给定一个由词元组成的输入序列${\mathbf{x}}_1,\dots ,{\mathbf{x}}_n，{\mathbf{x}}_i\in {\mathbb{R}}^d$，该序列的自注意力输出为一个长度相同的序列 ${\mathbf{y}}_1,\dots ,{\mathbf{y}}_n$，其中：
$${\mathbf{y}}_i=f({\mathbf{x}}_i,({\mathbf{x}}_1,{\mathbf{x}}_1),\dots ,({\mathbf{x}}_n,{\mathbf{x}}_n))\in {\mathbb{R}}^d$$
$f$是注意力汇聚函数，$f$的第一个输入参数${\mathbf{x}}_i$作为query，剩下的参数为$\mathbf{x}$自己和自己组成的键值对。

例子

给出李宏毅老师课上的例子，看看自注意力是怎么工作的。

首先是将词元序列同时作为$\mathbf{Q}、\mathbf{K}、\mathbf{V}$的输入。这里的输入词元序列是$\mathbf{I}=[{\mathbf{a}}_1,\dots ,{\mathbf{a}}_4]，{\mathbf{a}}_i\in {\mathbb{R}}^d$，$\mathbf{I}$分别和三个矩阵${\mathbf{W}}^q、{\mathbf{W}}^k、{\mathbf{W}}^v$相乘得到$\mathbf{Q}、\mathbf{K}、\mathbf{V}$，这里的${\mathbf{W}}^q、{\mathbf{W}}^k、{\mathbf{W}}^v$是可学习的参数。

然后这个例子使用了点积注意力评分，对于$\mathbf{Q}$中的每一个分量${\mathbf{q}}_i$，把它和$\mathbf{K}$中所有的${\mathbf{k}}_i$相乘，得到注意力权重向量${\alpha }_i$（图中的灰色部分）：

把所有的${\mathbf{q}}_i$得到的权重向量拼起来再通过softmax，得到的就是权重矩阵：

最后将权重矩阵与$\mathbf{V}$相乘，得到最终的输出序列$\mathbf{O}$，它的形状和输入序列$\mathbf{I}$一致：

总结一下，自注意力就是一系列如下的矩阵运算过程，只有${\mathbf{W}}^q、{\mathbf{W}}^k、{\mathbf{W}}^v$是要学习的参数：

Self-Attention vs Convolution

我们比较一下自注意力和卷积这两个架构。

卷积具有固定的感受野（receptive field），感受野的大小通常是人为设计的，对于每个像素，考虑的是感受野范围的信息，学习的是过滤器。
而自注意力可以获取到全局的信息，然后经过学习，模型可以自己判断对于每个像素的query，需要考虑到哪些像素的key、多大范围内的key，它同时学习过滤器和感受野的形状。

可以说，卷积是自注意力机制的特例，自注意力是卷积的一般化形式。

有一篇论文专门从数学角度严格分析了卷积和自注意力的关系
On the Relationship between Self-Attention and Convolutional Layers
有兴趣的可以看看，我这里引用一下论文结论中的一句话：

More generally, fully-attentional models seem to learn a generalization of CNNs where the kernel pattern is learned at the same time as the filters—similar to deformable convolutions.
更一般地说，完全注意力模型似乎学习了CNN的一般化，其中内核模式与过滤器同时学习——类似于可变形卷积

Self-Attention vs RNN

再比较一下自注意力和循环神经网络RNN这两个架构。

RNN的输入输出和自注意力很类似，都是输入一个序列输出一个序列。

RNN的特点在于，对于一个输入序列的某个词元，它只考虑该词元之前输入的词元信息（这里指最一般的单向RNN，双向RNN也是可以考虑双向信息的），且如果是一个很长的序列，那么开头的词元信息就很难保留到末尾的词元；
自注意力可以获取到全局的信息，而且对于一个词元，它和任意位置的词元的关联计算都是一样的，不会有长序列信息丢失的问题。

在运算方面，由于RNN的结构限制，每一个词元输出的计算是不能并行执行的，必须要先等之前输入的词元完成计算；
自注意力，我们上面讲过了，可以很好地表示成矩阵运算的形式，使得各个词元输出的计算可以同时进行。

交叉注意力（Cross Attention）

对于交叉注意，键和值相同但与查询不同，从而引入了它们的相互依赖关系。

位置编码（Position Encoding，PE）

在自注意力机制中，词向量是不带位置信息的，也就是说，将词的顺序打乱，得到的输出是一样的。

所以需要给词向量添加位置信息，表示其顺序关系。

Transformer使用了三角位置编码：
$$\begin{array}{rl}P{E}_{(pos,2i)}& =\sin \left(pos/10000^{2i/d_{\text{model }}}\right)\\ P{E}_{(pos,2i+1)}& =\cos \left(pos/10000^{2i/d_{\text{model }}}\right)\end{array}$$
其中$pos$是词向量在序列中的位置，$i$表示的是词向量内的第$i$个分量，$d_{model}$是词向量的长度。

由上式可知，词向量的偶数维用$\sin$编码，奇数维用$\cos$编码，这样编码的原因是基于三角函数的和差化积性质：
$$\begin{array}{r}\sin (\alpha +\beta )=\sin \alpha \cos \beta +\cos \alpha \sin \beta \\ \cos (\alpha +\beta )=\cos \alpha \cos \beta -\sin \alpha \sin \beta \end{array}$$
这样一来，这表明位置$\alpha +\beta$的向量可以表示成位置$\alpha$和位置$\beta$的向量组合，这提供了表达相对位置信息的可能性

比如$pos=10$可以和$pos=1,pos=9$处的词向量建立联系，或者$pos=2,pos=8$等。

视觉中的二维位置编码

DETR中，为了保留特征的空间信息，没有将二维数据平铺为一维，而是分别对行和列进行位置编码。

参考

10.6. 自注意力和位置编码 — 动手学深度学习 2.0.0-beta1 documentation
位置编码公式详细理解补充_bilibili
让研究人员绞尽脑汁的Transformer位置编码 - 科学空间|Scientific Spaces (kexue.fm)
Jean-Baptiste Cordonnier et al. “On the Relationship between Self-Attention and Convolutional Layers…” Learning (2019): n. pag.