人声抑制 深度学习_推荐系统与深度学习（三）——Attention机制原理

缘起

    注意力机制模仿了人类观察事物的过程，将其应用到深度学习中，人观察事物会分为两个过程：扫描全局，获取重点关注区域；对重点关注区域深化研究，并抑制其他无用信息。     如上图，查看整个图形分两步：扫描重点文字，重点观看文字。 注意力机制沿用了这一思路：先通过一个深度学习框架，实现扫描重点信息的功能，将重点信息存储在一个中间网络中，然后再通过另一个深度学习框架解读并深化中间网络中的信息。这其中，最普遍的框架为：Encoder-Decoder框架。

注意力机制价值

    注意力机制就是对输入的每个元素考虑不同的权重参数，从而更加关注与输入的元素相似的部分，而抑制其它无用的信息。其最大的优势就是能一步到位的考虑全局联系和局部联系，且能并行化计算。     注意力机制是一种思想的延展，并不是只能依附在Encoder-Decoder框架下的，而是可以根据实际情况和多种模型进行结合。

Encoder-Decoder机制原理

    首先看一下Encoder-Decoder框架下的注意力机制，这一机制下涵盖了三个深度学习的框架，如下图：     Encoder部分、语义编码C部分和Decoder部分，这三部分的功能为：扫描重点信息、存储重点信息和深化重点信息。     数据流程为：     1) 原始数据(x1,x2,x3,x4)输入到Encoder中，Encoder主动将原始数据压缩；     2) 被压缩的数据统一存储到语义编码C中，语义编码C也是一个深度的神经网络；     3) 语义编码C中的数据传到Decoder中，再经过深度学习神经网络，将重要信息进行深化；     这一模型架构应用最多的是自然语言处理中，输入一个问题语句，经过提炼、深化之后确定出语义，然后输出下一句或者应该回答的语句，如下： 输入的是：“风云三尺剑”，输出的是下一语句：“花鸟一床书”。

注意力机制的原理

    上面的Encoder-Decoder框架存在一个问题，即语义编码C以等概率的方式存储含有重要价值的各个特征，但实际上各个重要特征的重要性并不一致，比如：“风云三尺剑”中的“剑”在整体诗句中尤为重要，其他词语的权重就相对下降了。     为解决这一问题，在Encoder-Decoder框架的基础上引入了权重机制：即将一个语义编码C拆解成多个有不同权重的多个C1，C2，C3……，权重的大小决定了特征的重要性，如下图：     我们用一个案例来分析这一模型： 输入为一句英文：Tom chase Jerry
输出结果为：“汤姆”，“追逐”，“杰瑞”。 加入attention机制后，Encoder层的每一步输出都会和当前Decoder中的输出进行联立计算F(h1,Hi-1)，最后用softmax函数生成概率值，即为当下词语的权重，如下图： 用一个更完整的图表示为： 训练y1时，语义编码 C1 就是各个元素x按其重要程度加权求和得到的，同理，训练y2—C2也如此。 讲到这里，Attention机制清楚了吧～ 前情回顾： 推荐系统与深度学习(二)——FFM模型原理 欢迎大家关注公众号： 来都来了，点个关注再走呗~