注意力机制(二)--注意力评分函数--李沐动手学深度学习

注意力评分函数

1. 注意力评分权重

在上篇博客注意力机制中，使用高斯核来对查询和键之间的关系建模，将Nadaraya-Watson-Gaussian中的高斯核指数部分视为注意力评分函数（attention scoring function）， 简称评分函数（scoring function），， 然后把这个函数的输出结果输入到softmax函数中进行运算，得到权重。

通过上述步骤，我们将得到与键对应的值的概率分布（即注意力权重），最后注意力汇聚的输出就是基于这些注意力权重的值的加权和。

下图说明了 如何将注意力汇聚的输出计算成为值的加权和， 其中 𝑎 表示注意力评分函数。 由于注意力权重是概率分布， 因此加权和其本质上是加权平均值。

其中查询q和键ki 的注意力权重（标量）是通过注意力评分函数a将两个向量映射成标量，再经过softmax运算得到的：

从上面公式看出选择不同的注意力评分函数a aa会导致不同的注意力汇聚操作，下面将介绍两个流行的评分函数：加性注意力评分函数 和 缩放点积注意力评分函数。

2. 掩码softmax操作

上面提到的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，例如为了在数据集中高效加载处理小批量数据集（每一个样本序列大小形状相同）， 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， 需要指定一个有效序列长度（即词元的个数）， 以便在计算softmax时过滤掉超出指定序列长度的位置。

3. 加性注意力

（Wq的shape为h x q,乘以q的shape为q x 1,得到长为h，同理Wk乘以k后长为h，相加后经过tanh，wv的转置shape为（1，h）与h相乘得到一标量）将查询和键连结起来后输入到一个多层感知机（MLP）中，感知机包含一个隐藏层，其隐藏单元数是一个超参数h ，通过使用tanh ⁡作为激活函数，并且禁用偏置项。

class AdditiveAttention(nn.Module):
    """加性注意力"""
    def __init__(self,key_size,query_size,num_hiddens,dropout):
        super(AdditiveAttention,self).__init__()
        self.W_q = nn.Linear(query_size,num_hiddens,bias=False)#得到长为h
        self.W_k = nn.Linear(key_size,num_hiddens,bias=False)#得到长为h
        self.W_v = nn.Linear(num_hiddens,1,bias=False)#w_v转置乘以tanh
        self.dropout = nn.Dropout(dropout)
    def forward(self,queries,keys,values,valid_lens):
        queries = self.W_q(queries)
        # shape=(batch_size,num_queries,num_hiddens)
        keys = self.W_k(keys)
        #shape=(batch_size,num_keys,num_hiddens)
        # 在维度扩展后，
        # queries的形状：(batch_size，查询的个数，1，num_hiddens)
        # 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,1=num_hiddens) to (batch_size，查询的个数，“键-值”对的个数)
        scores = self.W_v(features)
        scores = scores.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)
        #批量矩阵乘法
        return torch.bmm(self.dropout(self.attention_weights),values)

AdditiveAttention的使用， 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,size=(2,1,20)),torch.ones(size=(2,10,2))
# （2，1，20）=（batch_size,query个数，单个query的长度）   (2,10,2)=（batch_size,key的个数，key的长度）
values = torch.arange(40,dtype=torch.float32).reshape(1,10,4).repeat(2,1,1)#10个val，val长为4
valid_lens = torch.tensor([2,6])#第一个样本看前两个key-val pair,第二个样本看前6个
additiveAttention = AdditiveAttention(query_size=20,key_size=2,num_hiddens=8,dropout=0.1)
additiveAttention.eval() #eval状态下使dropout无效
additiveAttention(queries,keys,values,valid_lens)

#输出如下所示：
tensor([[[ 2.0000,  3.0000,  4.0000,  5.0000]],

        [[10.0000, 11.0000, 12.0000, 13.0000]]], grad_fn=<BmmBackward0>)

4.缩放点积注意力

使用点积可以得到计算效率更高的评分函数，但是点积操作要求查询和键具有相同的长度d。假设查询和键的所有元素都是独立的随机变量，并且都满足零均值和单位方差，那么两个向量的点积的均值为0，方差为d。为确保无论向量长度如何，点积的方差在不考虑向量长度的情况下仍然是1，需要将点积除以sqrt(d)(根号d)（除以根号d也就是缩放的含义），因此缩放点积注意力（scaled dot-product attention）评分函数为：

class DotProductAttention(nn.Module):
    """缩放点积注意力"""
    def __init__(self,dropout):
        super(DotProductAttention,self).__init__()
        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):
        d = queries.shape[-1]
        # 设置transpose_b=True为了交换keys的最后两个维度
        #批量矩阵乘法
        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)

使用DotProductAttention类， 使用与先前加性注意力例子中相同的键、值和有效长度。 对于点积操作，令查询的特征维度与键的特征维度大小相同。

queries = torch.normal(0,1,size=(2,1,2))
dotProductAttention = DotProductAttention(dropout=0.1)
dotProductAttention.eval() #eval状态下使dropout无效
dotProductAttention(queries,keys,values,valid_lens)

输出结果如下：
tensor([[[ 2.0000,  3.0000,  4.0000,  5.0000]],

        [[10.0000, 11.0000, 12.0000, 13.0000]]])

与加性注意力演示相同，由于键包含的是相同的元素，因此获得了均匀的注意力权重。

d2l.torch.show_heatmaps(dotProductAttention.attention_weights.reshape(1,1,2,10),xlabel='keys',ylabel='querys')

将注意力汇聚的输出计算可以作为值的加权平均，选择不同的注意力评分函数会带来不同的注意力汇聚操作。
当查询和键是不同长度的矢量时，可以使用可加性注意力评分函数。当它们的长度相同时，使用缩放的“点－积”注意力评分函数的计算效率更高。（缩放是指：query和keys点积后需要除以keys最后一维维度的平方）

本文经转载修改，原文链接：https://blog.csdn.net/flyingluohaipeng/article/details/125747994