Attention

$c_{i}=\sum_{j=1}^{T_{x}} \alpha_{i j} h_{j}$

• $\alpha_{i j}=\frac{\exp \left(e_{i j}\right)}{\sum_{k=1}^{T_{x}} \exp \left(e_{i k}\right)}$ 是隐藏状态 $h_j$ 的权重
  • 用 softmax 得到一个强度表征
  • 为什么需要使用 softmax 做归一化 #card
    • 避免 attention score 数值过大，导致优化不稳定(数值小的部分)
    • 保证 score 非负

$e_{i j}=a\left(s_{i-1}, h_{j}\right)$ 是注意力打分机制

• 代表 → 解码器状态 $s_{i-1}$ 和解码器状态 $h_j$ 之间的匹配程度
• 常用的注意力计算方式
  • 加性模型 → $s \left(\mathbf{x}_{i}, \mathbf{q}\right) =\mathbf{v}^{\mathrm{T}} \tanh \left(W \mathbf{x}_{i}+U \mathbf{q}\right)$
    • qkv 矩阵较大时效果超越 dot production
  • 点积模型 → $s\left(\mathbf{x}_{i}, \mathbf{q}\right) =\mathbf{x}_{i}^{\mathrm{T}} \mathbf{q}$
    • 不需要额外参数，但是两个矩阵大小需相同
  • 缩放点积模型 → $s\left(\mathbf{x}_{i}, \mathbf{q}\right) =\frac{\mathbf{x}_{i}^{\mathrm{T}} \mathbf{q}}{\sqrt{d}}$
  • 双线性模型 → $s\left(\mathbf{x}_{i}, \mathbf{q}\right) =\mathbf{x}_{i}^{\mathrm{T}} W \mathbf{q}$

聚焦式（focus）注意力：

• 自上而下的有意识的注意力，主动注意——是指有预定目的、依赖任务的、主动有意识地聚焦于某一对象的注意力。

$$\text{ Attention (Query, Source) }=\sum_{i=1}^{L_{x}} \text{ Similarity (Query, Key}_{i} ) * \text{Value}_{i}$$

流程可视化

为什么要用 attention

• 参数少，速度快，能缓解神经网络模型复杂度。解决 RNN 不能并行计算问题
• 效果显著

按计算区域划分

• soft-attention(global attention) → query 对所有 key 求相似度权重，得到 m*n 的 attention score
  
  • $\begin{aligned} \operatorname{att}((K, V), \mathbf{q}) &=\sum_{i=1}^{N} \alpha_{i} \mathbf{v}_{i} \\ &=\sum_{i=1}^{N} \frac{\exp \left(s\left(\mathbf{k}_{i}, \mathbf{q}\right)\right)}{\sum_{j} \exp \left(s\left(\mathbf{k}_{j}, \mathbf{q}\right)\right)} \mathbf{v}_{i} \end{aligned}$
• hard-attention → 直接精准定位到某个 key，其余的 key 不管，单个样本 query 仅对单个 key 进行相似度计算，得到 m*1 的 attention score
• local-attention → hard定位单个key，以这个 key 为中心取周围区域，计算各个窗口的 soft-attention，得到 m*k 的 attention score

按所用信息

• general-attention → 利用外部信息，用于构建两段文本之间关系的任务
• [[self-attention]] → 只使用内部信息，寻找原文内部的关系。

按使用模型

• CNN 是基于 N-gram 的局部编码，RNN 由于梯度消失问题也只能建立短距离依赖。
• 解决上面的问题有两种方法：利用深层神经网络来获取远距离的信息交互或者是使用全连接网络。
• [[LSTM]] 对所有 step 的 hidden state 进行加权，注意力集中到整段文本中比较重要的 hidden state 信息。

[[Attention 按 QKV 划分]]

注意力计算方式 Neural Machine Translation by Jointly Learning to Align and Translate

Ref

• transformer中为什么使用不同的K 和 Q， 为什么不能使用同一个值？ - 知乎 (zhihu.com)
• Dissecting BERT Part 1: The Encoder | by Miguel Romero Calvo | Dissecting BERT | Medium 看 softmax 相关的计算

网络回响