【自然语言处理三-self attention自注意是什么】

自注意力是什么？

在了解自注意力之前，需要先了解注意力，这部分在上篇文章[【自然语言处理-二-attention注意力 是什么】介绍过了。

如果用一句简单的话来概括，就是指在输出的时候，需要关注的输入的哪一部分，以及需要关注的比重大概是多少，比如翻译hello,world这句话，翻译你的时候，对于输入的hello更关注一些。

这种注意力的模型在人工智能界被抽象成了下面这个样子：

模型中就有三个重要的向量,Query Keys和Values，简称Q K V，Q和K用于产生注意力的分数，而Value 与注意力分数矩阵做处理，产生输出。

按照上面这个抽象模型，我们在[【自然语言处理-二-attention注意力 是什么】，Q和K和V又分别是那些个呢？
1.Q和K分别是编码器中的输入乘上了相应的参数矩阵获取。
2.V是解码器的输入乘上了响应的矩阵参数。

需要注意的一点是，上面所列2点，获取注意力分数的操作可能不一定是矩阵的乘法操作。
可以发现，这里的Q K V的来源（生成Q K V矩阵的来源）是不同的，特殊一点的情况是，当 Q K V 来源于同一个输入的时候，我们就叫自注意力模型。

自注意力模型出现的原因是什么？

它的出现一定是解决了注意力模型或者其他模型无法解决的问题。那么就要来说说，之前的模型在处理具体问题的时候，有哪些难以克服的问题呢？

下面用一个实际的下游任务“词性标注”来举例

词性标注

比如有一句话I saw a saw。对这句话进行词性标注。如果我们的模型的网咯结构是全连接层，来处理这个问题

ps：其中的FC是fully connected的简写

问题

这时候会有一个问题，那就是saw这个词在这个句子里是两个词性不同的词，但是对于这个模型来说，同样的输入输出肯定是相同的输出。

解决方法1-扩展window，引用上下文

上面的怎么解决呢？出现这样的原因，是因为没有考虑上下文，于是我们做了改进，输入不再是单独的每个词，是一个包含了上下文的短句。
改进后的模型如下：

这样可以解决现在的问题，但是又带来了另外一个问题，那就是这个上下文的窗口window的大小到底应该是多少？
最直观的想法就是说把整个sequence的长度作为window的大小不就解决了.
但是我们的句子可长可短，这种情况必须要统计训练资料里面最长的sequnce长度，另外全连接层的参数会极度扩张，不仅是运算量增加，还会导致过拟合，测试集上效果不佳。

解决方法2-运用seq2seq架构

这时候又有人说，这不正是上节课所讲的注意力的应用么,我们用seq2seq + rnn来解决这个问题

seq2seq的模型中，可以记住上下文，在解码器中就可以使用这些记忆，在此基础上再加上注意力不就很完美的解决了上下文的问题了么？

这个模型在上节课最后我们也说过，有它难以解决的问题 如下所述

新问题来了：参数量增加、无法并行的顽疾

运用seq2seq架构虽然可以解决部分记忆力的问题，但是还有很多问题：

• 1.参数量增多。seq2seq的架构会增加注意力参数矩阵，且随着输入的长度而增加。

  2.无法并行，seq2seq的架构必须得先产生上一个时间步的输入，在计算下一个时间步的输出，也就说是有依赖关系的，无法实现并行计算，在今天的大模型的计算来说，这也算是一个致命的缺陷。

  3.记忆力实际并不全，因为seq2seq架构的记忆力来自于最后一个隐藏层的输出，不能代表所有输入的信息。

基于上面种种问题，就引出了自注意力，那么自注意力的模型究竟是怎么实现的，又是如何解决这些问题的呢？

自注意力self attention模型的工作流程

还是以文章开篇的词性识别为例，self attention的运转是这样的：

1. self attention会处理整个输入sequence语句的向量，然后每个input vector输出对应的向量。这些向量是考虑了整个sequece的输入（这也是记忆力的由来）。
2. 将这些考虑了整个sequence的输出向量，作为FC的输入，然后再做后续的处理。
   这个过程如下：
   
   这个过程是不是很简单？ 当然self attention和FC是可以嵌套多层的。那么这个self attention具体是怎么实现的呢？

atttention的实现

从上面也可以看出我们要实现的是这样一个目标：
输入一排向量，输出一排向量，且输出的向量要考虑了这一排的输入向量，这可以用下面这个图来表示

那么我们最重要的探讨就是**怎么从a¹…到aⁿ，产生b¹**呢？
这个问题的实质就是要解决从找到a¹…到aⁿ的相关性，生成bⁱ

如何找到向量之间的相关性

找到a¹与其他的aⁿ的这些向量的相关性，这个相关性的分数我们记为 α。这个方法有很多种，下面是最常用的两种 Dot-product和Additive。

Dot-product

把输入各自乘上一个矩阵W^q和W^k , 然后做dot-product，得到α。

Additive

与上面类似，但是复杂一些，q和k不是直接做点乘，而是connect后又做tanh，再经过一个矩阵变换，获取α.

由于二者最终效果相差不多，本文以计算更为简单的Dot-product为例，怎么计算注意力分数α

相关性（attention分数）的具体计算方法

根据上述的Dot-product的方式，计算attention score

注： a¹到a⁴ 可能是模型的输入，也可能是隐藏层的输出，下文简化为输入。
首先是获取q k v矩阵：
查询q¹：a¹乘上矩阵W^q
kⁱ：aⁱ乘上矩阵W^k
vⁱ：aⁱ乘上矩阵W^v
然后执行下述：

1. q和每一个k 做dot-product，得到注意力分数，实际的应用，在获取注意力的时候，也会获取对其本身aⁱ的注意力（也就是q要和每一个aⁱ生成的k，包括生成q的这个输入a^m，生成的k^m）

2. 做softmax（这个其实也可以换成RELU等等操作，不是固定的）上面这个四个步骤就最终如下：
   

3. b¹的计算 。 softmax后的注意力分数 乘上 vⁱ的和

然后依次计算其他bⁱ,attention层的输出就计算完毕

计算完attention层后的结果，作为FC的输入

上述计算完attention层后，可以嵌套多层attention fc，一直到模型结束

atttention 到底是如何解决sequence长度以及并行等问题的呢？

本篇幅太长了，这部分我们会在下一篇文档《 自然语言处理四-从矩阵操作角度看 自注意self attention》中讲解，下一篇文章，将从矩阵操作的角度看self attention是如何实现的，看完矩阵操作就会明白自注意力如何解决本文档上面的问题。