self attention（自注意力机制）

self attention是注意力机制中的一种，也是transformer中的重要组成部分，本文先重新回归一下注意力机制，再做进一步介绍。

正如之前说的，注意力机制的目的是根据我们的目标，去关注部分细节，而不是基于全局进行分析，所以核心就是如何基于目标确定我们要关注的部分，以及在找到这部分细节之后进一步进行分析。这里先以文本匹配作为例子进行介绍。

假设我们要分析两个文本是不是重复的：

$$Iamastudent$$$$Youandmearestudents$$

我们可以结合BiLSTM和注意力机制进行分析，首先做word embedding，然后用BiLSTM处理分析上下文，得到新的词向量，再进入注意力机制部分，主要计算两个句子之间词与词的相似度，归一化后作为权重，并通过权重以及另一个句子的各个词向量，结合起来得到用另一个句子表示的该词的词向量。

比如我们现在分析I，也就是我们的目标是I，那么我们如何根据这个目标确定要关注的部分呢，那就是计算相似度，用I的词向量，和you、and、me等词向量相乘，得到相似度（这是词向量的特征，一般来说，两个词向量的意思越接近，距离和夹角就越小，所以乘积也会越大），对相似度做归一化得到权重，再用权重和you、and、me等词向量相乘，最后相加，就得到了用第二句话根据I而构建的词向量。像这样不断用第二句话表示第一句话的每个词，最后通过对比得到的新句子和原来的句子的差异程度，分析两句话是否重复，这就是注意力机制在文本重复度检测的应用。

那么self attention是什么意思呢，上面我们把注意力机制应用到两句话的分析，假如两句话都一样，或者说计算自己对自己的权重，那就是self attention了。这样做的目的，往往是为了充分考虑句子之间不同词语之间的语义以及语法联系，所以，这样重新计算得到的词向量，它就更进一步地考虑了上下文之间的联系了。

现在来更具体地描述这个过程：

图中x1、x2就是句子中的一个个词向量，然后我们有三个矩阵：WQ、WK、WV，通过把词向量和这三个矩阵相乘，得到新的三个向量，但是，这三个向量都是基于原先的词向量x生成的，比如我们可以把基于x1生成的qkv称为x1一号、x1二号、x1三号。关于为什么要基于一个向量生成三个新向量，我会在接下来的过程说一下我自己的理解。

下一步就是计算词与词之间的相似度，我们可以看一下下图，在计算thinking这个词和machines的相似度的时候，使用q1乘k2，这也是注意力机制中计算相似度的方法，其实都是通过向量相乘，那么为什么不像原来那样，直接就通过x1乘x2来计算相似度呢，我自己是这样理解的，q这个向量我觉得更多是为了保留单词本身的意思，也就是在不考虑上下文的情况下单单它一个单词的意思，而k则是为了在计算相似度的时候，能够放大词与词之间的异同而构建的新向量，或者说能够根据实际需求起到更多作用的向量，举个简单的例子，在分析相似性的时候，按道理一个单词和自己的相似度应该是最大的，可是在计算不同向量x的乘积也可能出现更大的相似度，这就不符合我们的假设了，而现在我们通过新向量qk相乘来计算相似度，通过模型的训练学习就可以避免这种情况，所以其实比起原来一个个词向量相乘，我们通过构建新的向量q和k，在计算相似度的时候灵活性会更大，效果会更好。

同样的，我觉得也是为了让模型更灵活，所以在计算相似度并转化为权重之后，并没有乘以原来的x或者q，而是又构建了一个新向量v，通过加权求和得到最终的输出z：

最后得到的z1、z2，就是我们的一个个词向量x1、x2，在分析了前后文之后，得到的新向量。其实也可以看出，self attention在这里和BiLSTM在处理词向量时候的目的都是一致的，那就是为原来割裂的词向量带来上下文的信息，那么self attention和BiLSTM相比有什么优点呢，第一，BiLSTM虽然确实比RNN改进了很多，但对于过长的序列依然没法很好地传输序列起点的信息，但是self attention并没有依赖词与词之间的顺序，而是通过计算词与词之间的相似度去挖掘信息，所以就不存在这种信息丢失的情况；第二，BiLSTM这种处理序列的模型，如果不计算出前一个时刻的结果，就没法计算下一个时刻的结果，所以就造成了无法并行计算，但是self attention因为计算相似度也是不存在这种依赖现象，所以可以很好地进行并行计算，大大提高了计算效率。可以说，BiLSTM成也序列败也序列啊。

最近本人在github写了一个自然语言处理的入门教程，包括模型的代码和模型的分析介绍，欢迎交流：NLPBeginner

想浏览更多关于数学、机器学习、深度学习的内容，可浏览本人博客