Transformer基础—自注意力机制

当我们处理文本、语音这类序列数据时，总会遇到一个老问题：模型到底该怎么理解“前后文”呢？
RNN 和 LSTM 曾经是热门的答案，它们沿着时间顺序一点点地读数据，但读得太慢，还容易忘记前面的信息。后来 CNN 被搬了进来，靠卷积核抓住局部模式，可要想看远处的信息，就得堆一大堆层，效率也不高。
于是研究者开始换个思路：如果模型能直接跳过中间环节，把注意力放到序列中真正相关的位置，不是更聪明吗？ 这就是注意力机制的出发点。而当这种机制被应用到同一个序列内部时，就诞生了今天大名鼎鼎的——自注意力机制（Self-Attention）。

一、基本概念

什么是自注意力机制？

自注意力机制就是找到序列当前词与序列所有词之间的关系，也就是说我们的模型要知道这个词“是谁”、“在哪”。

当我们说“模型要知道这个词是谁、在哪、该关注谁”时，其实就需要一种可计算的方式来衡量词和词之间的关系。

这时候就引出了自注意力的三大主角：Q（查询向量：Query）、K（键向量：Key）、V（值向量：Value）。

我们知道：在传统的 RNN 模型里，每个词都会被转化成一个 词向量（Embedding），这个向量基本上就代表了“这个词是谁”。RNN 会把这些向量按照顺序依次读入，再结合隐状态去理解上下文。
但在自注意力机制中，研究者觉得：光有一个词向量还不够。如果我们想让模型判断“这个词应该关注谁”，就得从不同角度去看待它。

于是，同一个词的词向量会被投影成三份不同的表示：

• Q（Query）：我去发起“提问”，看看我应该关心哪些词；
• K（Key）：我拿出自己的“身份标签”，告诉别人“我是什么”；
• V（Value）：我还准备了一份“内容”，如果有人关注我，就把这份内容贡献出来。

这样一来，词嵌入不再只是一个“静态身份”，而是被拆解成查询、标识和内容三种角色，从而让模型能够灵活地建立联系。

我们能够理解为：我们将一个词最开始的一个词向量进行了三次线性变换（也就是乘上三个不同的矩阵），得到的结果就是Q、K、V，他们都是这个这个词得词向量。

虽然一个词从最开始的一个词向量变为了三个词向量，但是这三个词向量仅仅只是表示这一个词，没有和上下文建立联系，那么我们是如何实现上下文联系的呢?

二、实现过程

1.计算注意力得分

我们将序列当前词的Q向量与序列任何一个词的K向量做点积，得到的这个值能够作为当前词与另外一个词的相似度判断依据，值越大，说明这两个词越相似，但是数值可能会过大，所以需要引入一个缩放因子限制数值大小，使得梯度能够稳定更新。因此就有了注意力得分矩阵公式：
$$\text{Attention}(Q,K)=\frac{Q{K}^T}{\sqrt{d_k}}$$
这个矩阵的形状为$n\times n$，其中n表示的是序列的长度，矩阵中的元素$(i,j)$表示序列第$i$个元素与第$j$个元素的注意力得分，也就是它们的相似度。

图示：

得到QKV向量

计算第一个词和序列中所有词的每个注意力得分${\alpha }_{1,i}=\frac{q^1\cdot k^i}{\sqrt{d_k}}$

2.归一化

我们要将得到的注意力得分转换为概率分布，即将值得范围控制在[0,1]之间，这个想法我们可以通过$softmax$函数得到实现，并且它确保了每一行的权重和为1，也就是一个词对于序列所有词的注意力权重之和为1。（注意：计算注意力得分和权重的时候，包括词自己本身，也就是用某个词的Q向量去乘上自己的V向量）
$$\text{Attention Weight}=\text{softmax}\left(\frac{Q{K}^T}{\sqrt{d_k}}\right)$$

3.加权求和

得到了每个词对于序列的注意力权重矩阵之后，接下来就是与V矩阵进行相乘，进行加权求和，最终得到的就是带有上下文联系的词向量。
$$\text{Output}=\text{Attention Weight}\times V=\text{softmax}\left(\frac{Q{K}^T}{\sqrt{d_k}}\right)\times V$$
计算图示意：

Q和K计算相似度后，经 $softmax$ 得到注意力，再乘V，最后相加得到包含注意力的输出

三、多头注意力

现在我们已经知道了什么是自注意力机制，那么接下来介绍以下自注意力机制的拓展，也就是transformer所真正运用到的注意力机制——多头注意力机制

多头注意力机制顾名思义，将注意力机制中的$Q、K、V$向量分成了多个“头”，也就是分成了$n$个组，每个组算出各自的注意力结果，然后将每组的输出进行拼接，最后再通过线性变换（乘上一个权重矩阵做特征融合）得到最终的输出。

【这种思路类似于CNN中的分组卷积】

比如将一个512维度的词分为2个组（也就是两个头），那么每组QKV向量的维度就应该是256维度，一共有两组QKV。

$a^i$和$a^j$为两个不同的词，他们分别有两组QKV向量

多头注意力的目的

总的来说，多头注意力的目的就是为了提高模型的表达能力。我们可以用多组注意力去关注这个词的不同特征，比如一个词有32组注意力，那么一组可以是表示这个词的情感特征、一组表示这个词的词法特征、一组表示这个词的词性特征等等…

这就让我们的模型学习到了更多的上下文信息，能够在不同场景下表达合适的意思，也就是更有语境。

PyTorch封装好的多头注意力层nn.MultiheadAttention：

import torch
import torch.nn as nnmultihead_atten_layer = nn.MultiheadAttention(embed_dim=512,num_heads=8,batch_first=True
)
embedding_layer = nn.Embedding(10, 512)
X = torch.randint(0, 10, (1, 10))X = embedding_layer(X)atten_out, atten_weights = multihead_atten_layer(# 内部自动用可学习的 W^Q, W^K, W^V 把 X 投影成 QKVquery=X,key=X,value=X,
)# 打印注意力得分以及权重矩阵
print(atten_out.shape, atten_weights.shape)# torch.Size([1, 10, 512]) torch.Size([1, 10, 10])

以上是博主对transformer注意力机制的一些总结笔记，若文章中出现错误请及时指正博主，感谢浏览☆噜~☆