5.1.注意力机制

注意力机制

​ "随意"就是随着自己意愿去做一些事，比如有一系列白色的东西，有一个红色的杯子在里面，非常引人注目，那么你的视线看向他，就是不随意线索，因为这不是你主观去看的，只是杯子很显眼。而如果你想读书了，你就在这些东西里面找到书，将注意力放在不那么显眼的书上，这就是随意线索。

​ 卷积、全连接、池化层都只考虑不随意线索，注意力机制则显示的考虑随意线索：

• 随意线索被称之为查询（query）
• 每个输入是一个值（value）和不随意线索（key）的对
• 通过注意力池化层来有偏向性的选择某些输入

1.非参注意力池化层

​ 给定数据$(x_i,y_i),i=1,\cdots ,n$，平均池化是最简单的方案：$f(x)=\frac{1}{n}{\sum }_i{y}_i$

​ 更好的方案是60年代提出来的Nadaraya-Watson核回归
$$f(x)=\sum _{j=1}^n\frac{K(x-x_i)}{{\sum }_{j=1}^{n}K(x-x_j)}{y}_i$$
​ 其中$f(x)$是查询(query)，$x_j$是不随意线索(key)，$y_i$是值(value),K是一个衡量$x$和$x_i$的距离的一个函数。一除就得到了类似概率的东西，再和$y_i$相乘求和，离$x_i$越近，权重越大。

​ 使用高斯核$K(u)=\frac{1}{\sqrt{2\pi }}exp(-\frac{u^2}{2})$，那么有：
$$\begin{gathered} f(x)=\sum _{j=1}^n\frac{exp(-\frac{1}{2}(x-x_i{)}^2}{{\sum }_{j=1}^{n}exp(-\frac{1}{2}(x-x_j{)}^2)}{y}_i \\ =\sum _{i=1}^{n}softmax(-\frac{1}{2}(x-x_i{)}^2)y_i \end{gathered}$$
​ 在此基础上引入可以学习的$w$，就是参数化的注意力机制：
$$f(x)=\sum _{i=1}^{n}softmax(-\frac{1}{2}((x-x_i)w{)}^2)y_i$$
​ 注意力机制中，通过query(随意线索)和key(不随意线索)来对输入进行有偏向性的选择，可以一般的写作$f(x)={\sum }_i\alpha (x,x_i)y_i$ ,这里的$\alpha (x,x_i)$是注意力权重。

2.代码实现Nadaraya-Watson核回归

简单的实现一下：给定的成对的输入-输出数据集$\{(x_1,y_1),\cdots ,(x_n,y_n)\}$，如何学习$f$来预测任意输入$x$的输出$\hat{y}=f(x)$.

​ 先生成人工数据集，加入噪声项为$ϵ$:
$$y_i=2sin(x_i)+x_i^{0.8}+ϵ$$
​ 其中$ϵ$服从均值为0，标准差为0.5的正态分布。

import torch
from torch import nn
from d2l import torch as d2l

n_train = 50  # 训练样本数
x_train, _ = torch.sort(torch.rand(n_train) * 5)   # 排序后的训练样本

def f(x):
    return 2 * torch.sin(x) + x**0.8

y_train = f(x_train) + torch.normal(0.0, 0.5, (n_train,))  # 训练样本的输出
x_test = torch.arange(0, 5, 0.1)  # 测试样本
y_truth = f(x_test)  # 测试样本的真实输出
n_test = len(x_test)  # 测试样本数
n_test

# 绘制训练样本(用源泉表示)，不带噪声项的真实数据生成函数（标记为“Truth”）， 以及学习得到的预测函数（标记为“Pred”）。
def plot_kernel_reg(y_hat):
    d2l.plot(x_test, [y_truth, y_hat], 'x', 'y', legend=['Truth', 'Pred'],
             xlim=[0, 5], ylim=[-1, 5])
    d2l.plt.plot(x_train, y_train, 'o', alpha=0.5);
    d2l.plt.show()
  
# 平均汇聚，就算一下平均值
y_hat = torch.repeat_interleave(y_train.mean(), n_test)
plot_kernel_reg(y_hat)


'''非参数注意力池化'''
# X_repeat的形状:(n_test,n_train),
# 每一行都包含着相同的测试输入（例如：同样的查询）
X_repeat = x_test.repeat_interleave(n_train).reshape((-1, n_train))
# x_train包含着键。attention_weights的形状：(n_test,n_train),
# 每一行都包含着要在给定的每个查询的值（y_train）之间分配的注意力权重
attention_weights = nn.functional.softmax(-(X_repeat - x_train)**2 / 2, dim=1)
# y_hat的每个元素都是值的加权平均值，其中的权重是注意力权重
y_hat = torch.matmul(attention_weights, y_train)
plot_kernel_reg(y_hat)

'''看一下注意哪些值'''
d2l.show_heatmaps(attention_weights.unsqueeze(0).unsqueeze(0),
                  xlabel='Sorted training inputs',
                  ylabel='Sorted testing inputs')



'''带参数的注意力池化'''

X = torch.ones((2, 1, 4))
Y = torch.ones((2, 4, 6))
torch.bmm(X, Y).shape 
# bmm批量矩阵乘法：例如X有两个(1,4)矩阵，Y有两个(4,6)矩阵，则第一个和第一个相乘，第二个和第二个相乘，结果的批量也是2，形状为(2,1,6)


weights = torch.ones((2, 10)) * 0.1
values = torch.arange(20.0).reshape((2, 10))
torch.bmm(weights.unsqueeze(1), values.unsqueeze(-1))

'''定义模型'''
class NWKernelRegression(nn.Module):
    def __init__(self, **kwargs):
        super().__init__(**kwargs)
        self.w = nn.Parameter(torch.rand((1,), requires_grad=True))

    def forward(self, queries, keys, values):
        # queries和attention_weights的形状为(查询个数，“键－值”对个数)
        queries = queries.repeat_interleave(keys.shape[1]).reshape((-1, keys.shape[1]))
        self.attention_weights = nn.functional.softmax(
            -((queries - keys) * self.w)**2 / 2, dim=1)
        # values的形状为(查询个数，“键－值”对个数)，多乘一个可学习的w
        return torch.bmm(self.attention_weights.unsqueeze(1),
                         values.unsqueeze(-1)).reshape(-1)


'''训练'''

# X_tile的形状:(n_train，n_train)，每一行都包含着相同的训练输入
X_tile = x_train.repeat((n_train, 1))
# Y_tile的形状:(n_train，n_train)，每一行都包含着相同的训练输出
Y_tile = y_train.repeat((n_train, 1))
# keys的形状:('n_train'，'n_train'-1)
keys = X_tile[(1 - torch.eye(n_train)).type(torch.bool)].reshape((n_train, -1))
# values的形状:('n_train'，'n_train'-1)
values = Y_tile[(1 - torch.eye(n_train)).type(torch.bool)].reshape((n_train, -1))

net = NWKernelRegression()
loss = nn.MSELoss(reduction='none')
trainer = torch.optim.SGD(net.parameters(), lr=0.5)
animator = d2l.Animator(xlabel='epoch', ylabel='loss', xlim=[1, 5])

for epoch in range(5):
    trainer.zero_grad()
    l = loss(net(x_train, keys, values), y_train)
    l.sum().backward()
    trainer.step()
    print(f'epoch {epoch + 1}, loss {float(l.sum()):.6f}')
    animator.add(epoch + 1, float(l.sum()))


# keys的形状:(n_test，n_train)，每一行包含着相同的训练输入（例如，相同的键）
keys = x_train.repeat((n_test, 1))
# value的形状:(n_test，n_train)
values = y_train.repeat((n_test, 1))
y_hat = net(x_test, keys, values).unsqueeze(1).detach()
plot_kernel_reg(y_hat)

d2l.show_heatmaps(net.attention_weights.unsqueeze(0).unsqueeze(0),
                  xlabel='Sorted training inputs',
                  ylabel='Sorted testing inputs')
d2l.ply.show()

​ 分别为非参数化注意力池化，和参数化注意力池化。