注意力机制汇总(3)----多头注意力机制

注意力机制汇总（3）---- 多头注意力机制(tranformer)

本章节接着上面注意力机制汇总(2)，再进一步探索多头注意力机制的原理。点击此处跳转

在上一章我们了解到self-attention的公式，是有Q,K点乘然后除以d _k 的1/2次方，再经过softmax后，乘上V得到经过注意力机制之后的输出。本章节将详细介绍由 N个self-attention组成的 多头注意力机制(Multi-Head-Attention)，其公式如下所示：
$$MultiHead(Q,K,V)=Concat(head1,...,hea{d}_h)W^O$$

$$wherehea{d}_i=Attention(Q{W}_i^Q,K{W}_i^K,V{W}_i^V)$$

由上面公式和图例可以看出，多头注意力机制是由N（N=8）个self-attention计算完成后，先经过concat拼凑到一起，然后经过W_O的矩形完成线性变换，变化成与输入的token维度一致的输出。（W_O和W_Q,W_K,W_V矩阵一样，都是在模型训练阶段一同训练出来的权重矩阵）

我们用X模拟网络的输入，Z模拟网络的输出，多头注意力机制的流程如下：

1. 通过W_Q和W_K矩阵，将输入X线性变换为Q_i(Query)和K_i(Key);----->此处线性变换=矩阵乘法，i:(1,8)
2. 然后Q_i与K_i^T做矩阵乘法，再经过softmax(QK^T/d_k^1/2),得到转化后的权重系数，称为Y_i
3. 然后将W_I^V和输入X经过线性变换得到V_i(Vaule)，接着让V_i 和Y_i 做矩阵乘法得到Z_i 矩阵
4. 重复上述1-3过程8次。即i=1_{8**。将得到的8个Z}i~，concat到 一起得到Z_concat **
5. 最后将Z_concat 与W_O相乘得到输出Z。----> 此处输出Z可以看作输入X的经过一次Multi-Head-Attention后的变形, 此外W_O除了让输出的维度一致之外，主要是具备将随机concat的Z_i 还原成特定组合的Z，。

上面的self-Attention， Multi-Head-Attention便是Transformer的灵魂、核心！

此处贴上transformer训练的过程图

1. 首先通过<起始>预测出The然基于已预测出的2个继续预测出computer，
2. 然后在计算机当中并行计算。
3. 使用标签当做训练时的输入，来减小训练时产生的误差（此处加入mask:盖住部分区域来模拟真实输入）。

图例

代码解读

1. 词嵌入

import torch

torch.nn.Embedding(num_embeddings, embedding_dim)# 可以实现词嵌入, 
# num_embeddings设置为输入X的词的个数+2， size of the dictionary of embedding
# embedding_dim则是想要将词映射到的维度，the size of each embedding vector

2. 位置编码

词嵌入之后紧接着就是位置编码，位置编码用以区分不同词以及同词不同特征之间的关系。代码中需要注意：X_只是初始化的矩阵，并不是输入进来的；完成位置编码之后会加一个dropout。另外，位置编码是最后加上去的，因此输入输出形状不变。

def positional_encoding(X, num_features, dropout_p=0.1, max_len=512) -> Tensor:
    r'''
        给输入加入位置编码
    参数：
        - num_features: 输入进来的维度
        - dropout_p: dropout的概率，当其为非零时执行dropout
        - max_len: 句子的最大长度，默认512
    
    形状：
        - 输入： [batch_size, seq_length, num_features]
        - 输出： [batch_size, seq_length, num_features]

    例子：
        >>> X = torch.randn((2,4,10))
        >>> X = positional_encoding(X, 10)
        >>> print(X.shape)
        >>> torch.Size([2, 4, 10])
    '''

    dropout = nn.Dropout(dropout_p)
    P = torch.zeros((1,max_len,num_features))
    X_ = (torch.arange(max_len,dtype=torch.float32).reshape(-1,1) / 
          torch.pow(10000, torch.arange(0,num_features,2,dtype=torch.float32) /num_features))
    P[:,:,0::2] = torch.sin(X_)
    P[:,:,1::2] = torch.cos(X_)
    X = X + P[:,:X.shape[1],:].to(X.device)  # 此处表面位置编码是直接数值相加的。所以输出的type没有变化
    return dropout(X)

3. self-attention

自注意力机制，在上一篇文章中讨论了很多，具体可以去查看

# 核心代码
	# 计算Q*K的转置，在除上根号dk
	attn_scores = torch.bmm(q, k.transpose(1, 2)) / self.scale
    # 送入softmax进行归一化
	attn_weights = F.softmax(attn_scores, dim=-1)
    # 与V相乘得到新的输出
	attn_output = torch.bmm(attn_weights, v)
	

4. Encode编码层（多头此处忽略直接到编码层）

首先经过位置编码，然后经过多头注意力机制，再次期间混杂着short-cut和dropout，接着经过LN归一化与2个Linear全连接层(中间包含一个relu激活函数)，在经过short-cut、dropout、LN得到输出结果

def forward(self, src: Tensor, src_mask: Optional[Tensor] = None, src_key_padding_mask: Optional[Tensor] = None):
        src = positional_encoding(src, src.shape[-1])  # 位置编码
        src2 = self.self_attn(src, src, src, attn_mask=src_mask, 
        key_padding_mask=src_key_padding_mask)[0]
        src = src + self.dropout1(src2)
        # LN
        src = self.norm1(src)
        # 全连接+relu+dropout+全连接
        src2 = self.linear2(self.dropout(self.activation(self.linear1(src))))
        src = src + self.dropout2(src2)
        # LN
        src = self.norm2(src)
        return src
    

5. Decode解码层

解码层的代码与编码层的类似：多头注意力与全连接层的组合，中间夹杂着一些归一化的方法。

5. Decode解码层

解码层的代码与编码层的类似：多头注意力与全连接层的组合，中间夹杂着一些归一化的方法。