Multi-Head Attention

DONE BERT 可解释性-从"头"说起 - 知乎 [[BERT]]，不停的 mask 结构，判断对指标的影响。[[2021/06/16]]

• 任务：query-title

  • 按 query-doc 相关程度分成 5 类

  • 用 BERT 做多分类

• 研究各个头对模型的影响：通过将 attention = 0 来 mask 对应的头

  • 12 层，每层 12 个 head，共 144 个 head

• 结论

  • attention-head 很冗余/鲁棒，去掉 20%的 head 模型不受影响

    • 144 个 head 随机 mask

    • 分成 0-5 层、6-11 层 mask

      • 底层特征对分类比较重要

  • 各层 transformer 之间不是串行关系，去掉一整层 attention-head 对下层影响不大

  • 各个 head 有固定的功能

    • 某些 head 负责分词

    • 某些 head 提取语序关系

    • 某些 head 负责提取 query-title 之间 term 匹配关系

[[香侬科技@为什么Transformer 需要进行 Multi-head Attention？]]

• 借鉴了CNN中同一卷积层内使用多个卷积核的思想

• Transformer，或Bert的特定层是有独特的功能的，底层更偏向于关注语法，顶层更偏向于关注语义。

• 多头中多数的关注模式是一致的

  • 不同的关注模式由初始化带来

• 就是希望每个注意力头，只关注最终输出序列中一个子空间，互相独立。其核心思想在于，抽取到更加丰富的特征信息。

利用多组 $$W$$ 值和 $$X$$ 相乘，得到多组不同的 $$Q$$ $$K$$ $$V$$，分别利用这几组向量去做 self-attenttion，最终将得到的 attention 结果 concat 在一起。

$$\begin{aligned} \text { MultiHead }(Q, K, V) &=\text { Concat }\left(\text { head }_{1}, \ldots, \text { head }_{\mathrm{h}}\right) W^{O} \\ \text { where head }_{\mathrm{i}} &=\operatorname{Attention}\left(Q W_{i}^{Q}, K W_{i}^{K}, V W_{i}^{V}\right) \end{aligned}$$

$$W_{i}^{Q} \in \mathbb{R}^{d_{\text { model }} \times d_{k}}, W_{i}^{K} \in \mathbb{R}^{d_{\text { model }} \times d_{k}}, W_{i}^{V} \in \mathbb{R}^{d_{\text { model }} \times d_{v}}$$

论文中每一层有 h=8 个 attention

输入的向量大小为 512，为了保持大小相同，每个 attention 中的 $$d_k=d_v=d_{model}/h=64$$

从原理上来看，multi-head 相当于在计算次数不变的情况下，将整个 attention 空间拆成多个 attention 子空间，引入了跟多的非线性从而增强模型的表达能力。

论文中一共使用了三种 multi-head attention

• encoder-decoder attention：query 来自前一个 decoder 层的输出，keys,values 来自最后一个 encoder 输出。

  • 其意义是： decoder 的每个位置去查询它与 encoder 的哪些位置相关，并用 encoder 的这些位置的 value 来表示。

• encoder self-attention：query,key,value 都来自前一层 encoder 的输出。这允许 encoder 的每个位置关注 encoder 前一层的所有位置。

• decoder masked self-attention：query,key,value 都来自前一层 decoder 的输出。这允许 decoder 的每个位置关注 encoder 前一层的、在该位置之前的所有位置。

• 第一种 QVV 模式，后面两种 VVV 模式