Bahdanau 注意力(具备注意力机制的Encoder-Decoder模型)

Bahdanau 注意力

我们在 Seq2Seq 中探讨了机器翻译问题：通过设计一个基于两个循环神经网络的编码器-解码器架构，用于序列到序列学习。具体来说，循环神经网络编码器将长度可变的序列转换为固定形状的上下文变量，然后循环神经网络解码器根据生成的词元和上下文变量按词元生成输出（目标）序列词元。然而，即使并非所有输入（源）词元都对解码某个词元都有用，在每个解码步骤中仍使用编码相同的上下文变量。有什么方法能改变上下文变量呢？

我们试着从 [Graves.2013] 中找到灵感：在为给定文本序列生成手写的挑战中，Graves设计了一种可微注意力模型，将文本字符与更长的笔迹对齐，其中对齐方式仅向一个方向移动。受学习对齐想法的启发，Bahdanau等人提出了一个没有严格单向对齐限制的可微注意力模型 :[Bahdanau.Cho.Bengio.2014]。 在预测词元时，如果不是所有输入词元都相关，模型将仅对齐（或参与）输入序列中与当前预测相关的部分。这是通过将上下文变量视为注意力集中的输出来实现的。

模型

下面描述的Bahdanau注意力模型将遵循 Seq2Seq 中的相同符号表达。这个新的基于注意力的模型与 Seq2Seq 中的模型相同，只不过 $s_{t^{{}^{\prime }}}=g(y_{t^{{}^{\prime }}-1},c,s_{t^{{}^{\prime }}-1})$ 中的上下文变量 $\mathbf{c}$在任何解码时间步 $t^{\prime }$ 都会被 ${\mathbf{c}}_{t^{\prime }}$ 替换。假设输入序列中有 $T$ 个词元，解码时间步 $t^{\prime }$ 的上下文变量是注意力集中的输出：

$${\mathbf{c}}_{t^{\prime }}=\sum _{t=1}^T\alpha ({\mathbf{s}}_{t^{\prime }-1},{\mathbf{h}}_t){\mathbf{h}}_t,$$

其中，时间步 $t^{\prime }-1$ 时的解码器隐状态 ${\mathbf{s}}_{t^{\prime }-1}$ 是查询，编码器隐状态 ${\mathbf{h}}_t$ 既是键，也是值，注意力权重 $\alpha$ 是使用之前所定义的加性注意力打分函数计算的。

下图描述了Bahdanau注意力的架构。

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

定义注意力解码器

下面我们看看如何定义Bahdanau注意力，实现循环神经网络编码器-解码器。 其实，我们只需重新定义解码器即可。 为了更方便地显示学习的注意力权重， 以下AttentionDecoder类定义了带有注意力机制解码器的基本接口。

class AttentionDecoder(d2l.Decoder):
    """带有注意力机制解码器的基本接口"""
    def __init__(self, **kwargs):
        super(AttentionDecoder, self).__init__(**kwargs)
        
    @property
    def attention_weights(self):
        raise NotImplementedError

接下来，让我们在接下来的 Seq2SeqAttentionDecoder 类中实现带有Bahdanau注意力的循环神经网络解码器。

首先，我们初始化解码器的状态，需要下面的输入：

1. 编码器在所有时间步的最终层隐状态，将作为注意力的键和值；
2. 上一时间步的编码器全层隐状态，将作为初始化解码器的隐状态；
3. 编码器有效长度（排除在注意力池中填充词元）。

在每个解码时间步骤中，解码器上一个时间步的最终层隐状态将用作查询。因此，注意力输出和输入嵌入都连结为循环神经网络解码器的输入。

class Seq2SeqAttentionDecoder(AttentionDecoder):
    """解码器的初始化操作"""
    def __init__(self, vocab_size, embed_size, num_hiddens, num_layers,
                dropout=0, **kwargs):
        super(Seq2SeqAttentionDecoder, self).__init__(**kwargs)
        # 定义加性注意力评分函数
        self.attention = d2l.AdditiveAttention(
            num_hiddens, num_hiddens, num_hiddens, dropout)
        # 定义词向量矩阵，每一个词都以一个向量进行表示
        self.embedding = nn.Embedding(vocab_size, embed_size)
        # 定义GRU门控循环单元
        self.rnn = nn.GRU(embed_size + num_hiddens, num_hiddens, num_layers,
                         dropout=dropout)
        # 定义最后的全连接层，输出预测的概率分布
        self.dense = nn.Linear(num_hiddens, vocab_size)
        
        
    def init_state(self, enc_outputs, enc_valid_lens, *args):
        # output代表编码器的输入序列在每个时间步t时的隐状态H_t
        # hiddens代表最终的隐状态信息，序列结束时的隐状态信息
        outputs, hidden_state = enc_outputs
        # outputs的形状为(batch_size, num_steps, num_hiddens)
        # hidden_state形状为(num_layers, batch_size, num_hiddens)
        
        return (outputs.permute(1, 0, 2), hidden_state, enc_valid_lens)
        
    def forward(self, X, state):
        # enc_outputs代表编码器输入序列时的所有时间步状态(batch_size, num_steps, num_hiddens)
        # hiddens_state代表编码器输入序列最后隐状态(num_layer, batch_size, num_hiddens)
        # enc_valid即编码器输入序列的有效长度
        enc_outputs, hidden_state, enc_valid_lens =  state
        
        # 对X进行词嵌入操作，此时X的形状为(num_steps, batch_size, vocab_size)
        X = self.embedding(X).permute(1, 0, 2)
        
        # 初始化输出序列数组和注意力权重为 [],[]
        outputs, self._attention_weights = [], []
        
        # 计算X序列的每步数的隐状态信息
        # 每次循环的x的形状均为(batch_size, vocab_size)
        for x in X:
            # query查询为编码器上下文变量c的变体，(batch_size, num_hiddens)
            # 维度扩展之后其形状为(batch_size, 1, num_hiddens)
            query = torch.unsqueeze(hidden_state[-1], dim=1)
            
            # 输入加性注意力对象中
            # query的形状为(batch_size, 1, num_hiddens)
            # enc_outputs-作为键的形状为(batch_size, num_steps, num_hiddens)
            # enc_outputs-作为值得形状为(batch_size, num_steps, num_hiddens)
            # 进行加性注意力之后，context的形状为(batch_size, 1, num_hiddens)
            # 通常来讲，加性注意力之后，输出形状为(batch_size, 查询个数, 值的维度)
            context = self.attention(
                query, enc_outputs, enc_outputs, enc_valid_lens)
            
            # torch.unsqueeze(x, dim=1)后的形状为(batch_size, 1, vocab_size)
            # context的形状为(batch_size, 1, num_hiddens)
            # 此时连接的新的x的形状为(batch_size, 1, num_hiddens+vocab_size)
            x = torch.cat((context, torch.unsqueeze(x, dim=1)), dim=-1)
            
            # 此时，将x.permute(1, 0, 2)，即(1, batch_size, num_hiddens+vocab_size)投入gru模型训练
            # out的形状为 (1, batch_size, num_hiddens)
            # hidden_state的形状为 (num_layers, batch_size, num_hiddens)
            # 逐步更新hidden_state的使用
            out, hidden_state = self.rnn(x.permute(1, 0, 2), hidden_state)
            
            # 准加解码器的所有隐单元到outputs中
            outputs.append(out)
            
            # 追加attention的weights即注意力分布到attention_weight列表中
            self._attention_weights.append(self.attention.attention_weights)
        
        # 此时outputs的形状为(num_steps, batch_size, num_hiddens)
        # 再进行全连接层的操作，可得出
        # outputs形状为(num_steps, batch_size, vocab_size)
        outputs = self.dense(torch.cat(outputs, dim=0))
        
        # 返回outputs.permute(1, 0, 2)，即(batch_size, num_steps, vocab_size)
        # 以及编码器序列所有的隐状态:enc_outputs(batch_size, num_steps, num_hiddens)
        # 编码器的全局变量c(最终的隐单元)：hidden_state(num_layers, batch_size, num_hiddens)
        # 编码器序列的有效长度：enc_valid_len
        return outputs.permute(1, 0, 2), [enc_outputs, hidden_state,
                                         enc_valid_lens]
    @property
    def attention_weights(self):
        return self._attention_weights

接下来，我们使用包含7个时间步的4个序列输入的小批量测试Bahdanau注意力解码器。

encoder = d2l.Seq2SeqEncoder(vocab_size=10, embed_size=8, num_hiddens=16,
                            num_layers=2)
encoder.eval()
decoder = Seq2SeqAttentionDecoder(vocab_size=10, embed_size=8, num_hiddens=16,
                                 num_layers=2)
decoder.eval()

X = torch.zeros((4, 7), dtype=torch.long)          #(batch_size, num_steps)
state = decoder.init_state(encoder(X), None)
output, state = decoder(X, state)

output.shape, len(state), state[0].shape, len(state[1]), state[1][0].shape

(torch.Size([4, 7, 10]), 3, torch.Size([4, 7, 16]), 2, torch.Size([4, 16]))

训练

与之前的 Seq2Seq 训练类似，我们这里指定超参数，实例化一个带有Bahdanau注意力的编码器和解码器， 并对这个模型进行机器翻译训练。 由于新增的注意力机制，训练要比没有注意力机制的 Seq2Seq 慢得多。

# 定义参数
embed_size, num_hiddens, num_layers, dropout = 32, 32, 2, 0.1
batch_size, num_steps = 64, 10
lr, num_epochs, device = 0.005, 250, d2l.try_gpu()

#获取数据集
train_iter, src_vocab, tgt_vocab = d2l.load_data_nmt(batch_size, num_steps)

#定义编码器与添加注意力机制的解码器
encoder = d2l.Seq2SeqEncoder(
    len(src_vocab), embed_size, num_hiddens, num_layers, dropout)
decoder = Seq2SeqAttentionDecoder(
    len(tgt_vocab), embed_size, num_hiddens, num_layers, dropout)

#定义编码器解码器神经网络
net = d2l.EncoderDecoder(encoder, decoder)

#开始训练模型
d2l.train_seq2seq(net, train_iter, lr, num_epochs, tgt_vocab, device)

loss 0.020, 3885.0 tokens/sec on cpu

模型训练后，我们用它将几个英语句子翻译成法语并计算它们的BLEU分数。

engs = ['go .', "i lost .", 'he\'s calm .', 'i\'m home .']
fras = ['va !', 'j\'ai perdu .', 'il est calme .', 'je suis chez moi .']
for eng, fra in zip(engs, fras):
    #预测翻译结果，并评估翻译结果的正确性
    translation, dec_attention_weight_seq = d2l.predict_seq2seq(
        net, eng, src_vocab, tgt_vocab, num_steps, device, True)
    print(f'{eng} => {translation}, ',
          f'bleu {d2l.bleu(translation, fra, k=2):.3f}')

go . => va !,  bleu 1.000
i lost . => j'ai perdu .,  bleu 1.000
he's calm . => il est malade .,  bleu 0.658
i'm home . => je suis chez moi .,  bleu 1.000

attention_weights = torch.cat([step[0][0][0] for step in dec_attention_weight_seq], 0).reshape((
    1, 1, -1, num_steps))

训练结束后，下面我们通过可视化注意力权重 你会发现，每个查询都会在键值对上分配不同的权重，这说明在每个解码步中，输入序列的不同部分被选择性地聚集在注意力池中。

# 加上一个包含序列结束词元
d2l.show_heatmaps(
    attention_weights[:, :, :, :len(engs[-1].split()) + 1].cpu(),
    xlabel='Key positions', ylabel='Query positions')

小结

1、在预测词元时，如果不是所有输入词元都是相关的，那么具有Bahdanau注意力的循环神经网络编码器-解码器会有选择地统计输入序列的不同部分。这是通过将上下文变量视为加性注意力池化的输出来实现的。

2、在循环神经网络编码器-解码器中，Bahdanau注意力将上一时间步的解码器隐状态视为查询，在所有时间步的编码器隐状态同时视为键和值。