一、注意力分数(拓展到高纬度)
1、使用高斯核来对查询和键之间的关系建模,其中高斯核指数部分可以视为注意力评分函数(attention scoring function), 简称评分函数(scoring function)
2、有一个查询 𝑞∈𝑅^𝑞和 𝑚个“键-值”对 (𝑘_1,𝑣_1),…,(𝑘_𝑚,𝑣_𝑚), 其中𝑘_𝑖∈𝑅^𝑘,𝑣_𝑖∈𝑅^𝑣。 注意力汇聚函数𝑓就被表示成值的加权和
3、评分函数的输出结果输入到softmax函数中进行运算得到与键对应的值的概率分布(即注意力权重)。
4、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。
二、掩蔽softmax操作
1、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。
2、将有意义的词元作为值来获取注意力汇聚, 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。
#@save 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)
三、加性注意力
1、当查询和键是不同长度的矢量时,可以使用加性注意力作为评分函数。
2、 给定查询𝑞∈𝑅^𝑞和 键𝑘∈𝑅^𝑘, 加性注意力(additive attention)的评分函数为
(将长为k的key和长为q的query丢到对应的W中,输出长为h,再乘v,输出长就为1了)
3、可学习的参数是𝑊^𝑞∈𝑅^ℎ×𝑞、 𝑊^𝑘∈𝑅^ℎ×𝑘和 𝑤^𝑣∈𝑅^ℎ。
4、 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。
5、通过使用tanh作为激活函数,并且禁用偏置项
#@save 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) #第i行就是第i个query对应的权重,对每一行的权重做softmax 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)
四、缩放点积注意力
1、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。
2、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, 我们再将点积除以𝑑, 则缩放点积注意力(scaled dot-product attention)评分函数为
3、向量化版本
使用暂退法进行模型正则化
#@save 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)
五、总结
1、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。
2、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。