【神经网络】学习笔记十六——Attention机制

本文介绍Attention机制，其经典使用是在NLP中搭配RNN（一般为LSTM）做编码解码器（Seq2Seq），用于给编码过程中每一步的状态分配权重，然后加权求和得到解码过程中每一步解码时的状态向量，参与计算，得到本步的输出。

在学习笔记十四中，我介绍了Seq2Seq机制，文章的最后也带着说了一点Attention机制，大家可以去看看。

一、Attention的本质是什么

Attention（注意力）机制的本质可以概括为以下几句相同意思的话，都解释的很透彻：

（1）从关注全局到关注重点：将有限的注意力集中的重点信息上，从而节省资源，快速获得有效信息（后面会说这导致加入RNN时能够并行）；

（2）高度概括为带权求和：通过某种方法计算得到权重，然后将每个value与其权重相乘，求和，最后得到新的值投入使用；

（3）通俗理解，当看东西时，我们会根据需求来观察特定的一部分，即在学习时将注意力放到该部分上，其他的部分少看一点，这就是注意力机制的本质；

（4）即一系列注意力分配系数，即一系列权重系数；

（5）即从序列中学习到每一个元素的重要程度，然后按重要程度将元素合并。这表明序列元素在编码时，每一步所对应的语义编码C是不一样的。以编码解码器为例如下图：

 

 二、单纯的Attention机制实现及原理

 Attention机制并不一定要在Encoder-Decoder框架下使用，下面的图片是脱离框架后的原理图：

 上图描述了Attention value的本质，就是查询（query）到了每一个key-value的映射，然后乘积求和，得到了新的Attention value。

下图为分布图解，介绍了Attention函数的工作实质：

阶段一：Q（query）和K（key）进行相似度计算，得到权值；

阶段二：将上述权值进行归一化，得到直接可用的权重；

阶段三：将权重和value进行加权求和；

此时加权求和的结果就是注意力值。此时计算所得attention value是一个向量，代码了序列元素 x(j) 的编码向量，词向量中包含了元素 x(j) 的上下文关系，即包含全局联系也包含局部联系。它灵活的捕捉了长期依赖和local依赖，一步到位得到了全局信息和重点局部信息。这就如同Attention的发展脉络，RNN是死记硬背的时期，attention模型学会了提纲挈领。他让模型开窍了，学会了提取重点融会贯通。

但这里强调一点，Attention机制以每个单独的词为着力点，但忽略了序列中语序顺序关系，其实在句子中，位置信息也是很重要的一点，但attention机制不能做到这点。不过后来的方法加上了位置向量（postion embedding）后解决了这个问题。

三、Attention的优缺点

 Attention机制最早出现在计算机视觉里，随后在NLP领域开始应用并发扬光大，因为2018年BERT和GPT效果出奇的好，进而走红。而Transformer和Attention这些核心重点被大家关注。

Attention机制三大优点：

（1）参数少：跟CNN，RNN相比，复杂度小，参数少；

（2）速度快：解决了RNN不能并行计算的问题。Attention机制每步不依赖于上一步的计算结果，因此可以和CNN一样并行处理；

（3）效果好：Attention是挑重点，就算文本长，也能从中间抓住重点，不丢失重要信息，解决了长距离信息被弱化的问题。

缺点：

缺点前面说了，就是不能捕捉语序顺序（即元素的顺序）。这在NLP里是很糟糕的，因为自然语言的语序包含了太多信息，如果包含不了结果会大打折扣。当然在NLP任务中加上位置信息就可以，所以就有了position-embedding（位置向量）的概念了，这里就不细说了。

四、Attention的类型

Attention机制有很多类型，Soft Attention、Hard Attention、静态Attention、动态Attention、Self Attention 等等，文章Attention用于NLP的一些小结 - 知乎 (zhihu.com)总结的很详细，这里直接引用，大家也可以去原文看看。

1.  计算区域

根据Attention的计算区域，可以分成以下几种：

（1）Soft Attention，这是比较常见的Attention方式，对所有key求权重概率，每个key都有一个对应的权重，是一种全局的计算方式（也可以叫Global Attention）。这种方式比较理性，参考了所有key的内容，再进行加权。但是计算量可能会比较大一些。

（2）Hard Attention，这种方式是直接精准定位到某个key，其余key就都不管了，相当于这个key的概率是1，其余key的概率全部是0。因此这种对齐方式要求很高，要求一步到位，如果没有正确对齐，会带来很大的影响。另一方面，因为不可导，一般需要用强化学习的方法进行训练。（或者使用gumbel softmax之类的）

（3）Local Attention，这种方式其实是以上两种方式的一个折中，对一个窗口区域进行计算。先用Hard方式定位到某个地方，以这个点为中心可以得到一个窗口区域，在这个小区域内用Soft方式来算Attention。

2.  所用信息

假设我们要对一段原文计算Attention，这里原文指的是我们要做attention的文本，那么所用信息包括内部信息和外部信息，内部信息指的是原文本身的信息，而外部信息指的是除原文以外的额外信息。

（1）General Attention，这种方式利用到了外部信息，常用于需要构建两段文本关系的任务，query一般包含了额外信息，根据外部query对原文进行对齐。

比如在阅读理解任务中，需要构建问题和文章的关联，假设现在baseline是，对问题计算出一个问题向量q，把这个q和所有的文章词向量拼接起来，输入到LSTM中进行建模。那么在这个模型中，文章所有词向量共享同一个问题向量，现在我们想让文章每一步的词向量都有一个不同的问题向量，也就是，在每一步使用文章在该步下的词向量对问题来算attention，这里问题属于原文，文章词向量就属于外部信息。

（2）Local Attention，这种方式只使用内部信息，key和value以及query只和输入原文有关，在self attention中，key=value=query。既然没有外部信息，那么在原文中的每个词可以跟该句子中的所有词进行Attention计算，相当于寻找原文内部的关系。

还是举阅读理解任务的例子，上面的baseline中提到，对问题计算出一个向量q，那么这里也可以用上attention，只用问题自身的信息去做attention，而不引入文章信息。

3.  结构层次

结构方面根据是否划分层次关系，分为单层attention，多层attention和多头attention：

（1）单层Attention，这是比较普遍的做法，用一个query对一段原文进行一次attention。

（2）多层Attention，一般用于文本具有层次关系的模型，假设我们把一个document划分成多个句子，在第一层，我们分别对每个句子使用attention计算出一个句向量（也就是单层attention）；在第二层，我们对所有句向量再做attention计算出一个文档向量（也是一个单层attention），最后再用这个文档向量去做任务。

（3）多头Attention，这是Attention is All You Need中提到的multi-head attention，用到了多个query对一段原文进行了多次attention，每个query都关注到原文的不同部分，相当于重复做多次单层attention：

最后再把这些结果拼接起来：

4.  模型方面

从模型上看，Attention一般用在CNN和LSTM上，也可以直接进行纯Attention计算。

（1）CNN+Attention

CNN的卷积操作可以提取重要特征，我觉得这也算是Attention的思想，但是CNN的卷积感受视野是局部的，需要通过叠加多层卷积区去扩大视野。另外，Max Pooling直接提取数值最大的特征，也像是hard attention的思想，直接选中某个特征。

CNN上加Attention可以加在这几方面：

         ——在卷积操作前做attention，比如Attention-Based BCNN-1，这个任务是文本蕴含任务需要处理两段文本，同时对两段输入的序列向量进行attention，计算出特征向量，再拼接到原始向量中，作为卷积层的输入。

         ——在卷积操作后做attention，比如Attention-Based BCNN-2，对两段文本的卷积层的输出做attention，作为pooling层的输入。

         ——在pooling层做attention，代替max pooling。比如Attention pooling，首先我们用LSTM学到一个比较好的句向量，作为query，然后用CNN先学习到一个特征矩阵作为key，再用query对key产生权重，进行attention，得到最后的句向量。

（2）LSTM+Attention

LSTM内部有Gate机制，其中input gate选择哪些当前信息进行输入，forget gate选择遗忘哪些过去信息，我觉得这算是一定程度的Attention了，而且号称可以解决长期依赖问题，实际上LSTM需要一步一步去捕捉序列信息，在长文本上的表现是会随着step增加而慢慢衰减，难以保留全部的有用信息。

LSTM通常需要得到一个向量，再去做任务，常用方式有：

         ——直接使用最后的hidden state（可能会损失一定的前文信息，难以表达全文）

         ——对所有step下的hidden state进行等权平均（对所有step一视同仁）。

         ——Attention机制，对所有step的hidden state进行加权，把注意力集中到整段文本中比较重要的hidden state信息。性能比前面两种要好一点，而方便可视化观察哪些step是重要的，但是要小心过拟合，而且也增加了计算量。

（3）纯Attention

Attention is all you need，没有用到CNN/RNN，乍一听也是一股清流了，但是仔细一看，本质上还是一堆向量去计算attention。

5.  相似度计算方式

在做attention的时候，我们需要计算query和某个key的分数（相似度），常用方法有：

（1）点乘：最简单的方法，

（2）矩阵相乘：

（3）cos相似度：

（4）串联方式：把q和k拼接起来，

（5）用多层感知机也可以：

本文参考自 产品经理的AI知识库，原文地址：https://link.zhihu.com/?target=https%3A//easyai.tech/ai-definition/attention/。