一般注意力模型
文章目录
- 一般注意力模型
-
- 注意力输入
- 注意力输出
一般注意力模型
描述一般注意力模型，首先要描述可以使用注意力的模型的一般特征。我们将这种模型称为任务模型，如图：
这个模型接受一个输入，执行指定的任务，然后产生所需的输出。例如，任务模型可以是一种语言模型，它以一段文本作为输入，并生成内容的摘要、情感的分类或逐字翻译成另一种语言的文本作为输出。或者，任务模型可以获取一张图像，并为该图像生成描述或分割。
任务模型由四个子模型组成：特征模型（ feature model）、查询模型（query model）、注意力模型（ attention model）和输出模型（output model）。
特征模型和查询模型，用于为注意力模型提供输入。注意力模型和输出模型用于产生输出。
注意力输入
假设任务模型以矩阵 X ∈ R d x × n x \boldsymbol{X}∈\mathbb{R}^{d_x×n_x} X∈Rdx×nx为输入，其中 d x d_x dx表示输入向量的大小， n x n_x nx表示输入向量的数量。这个矩阵中的列可以表示句子中的词、图像中的像素、声音序列的特征或任何其他输入集合。
特征模型输入 X \boldsymbol{X} X，输出 n f n_f nf个特征向量 f 1 , … , f n f ∈ R d f \boldsymbol{f}_{1}, \ldots, \boldsymbol{f}_{n_{f}} \in \mathbb{R}^{d_{f}} f1,…,fnf∈Rdf。其中 d f d_f df表示特征向量的大小。特征模型可以是循环神经网络(RNN)、卷积神经网络(CNN)、一个简单的嵌入层、对原始数据进行线性变换，或者根本不进行变换等等。本质上，特征模型包含了所有将原始输入 X \boldsymbol{X} X转换为特征向量 f 1 , … , f n f ∈ R d f \boldsymbol{f}_{1}, \ldots, \boldsymbol{f}_{n_{f}} \in \mathbb{R}^{d_{f}} f1,…,fnf∈Rdf（用于输入注意力模型）的操作。
为了确定要重点注意哪些向量，注意力模型还需要查询向量 q ∈ R d q \boldsymbol{q}\in \mathbb{R}^{d_q} q∈Rdq，其中 d q d_q dq表示查询向量的大小。查询向量由查询模型得到，通常是根据模型所需的输出类型设计。查询向量告诉注意力模型要注意哪些特征向量。
注意力输出
注意力模型由单个或多个的一般注意力模块（general attention modules）组成。下图给出了一般注意力模块的内部机制：
一般注意力模块的输入有查询向量 q ∈ R d q \boldsymbol{q}\in \mathbb{R}^{d_q} q∈Rdq和由特征向量组成的矩阵 F = [ f 1 , … , f n f ] ∈ R d f \boldsymbol{F}=[\boldsymbol{f}_{1}, \ldots, \boldsymbol{f}_{n_{f}}] \in \mathbb{R}^{d_{f}} F=[f1,…,fnf]∈Rdf。
首先，可以使用权重矩阵 W K ∈ R d k × d f \boldsymbol{W}_K∈\mathbb{R}^{d_k×d_f} WK∈Rdk×df和 W V ∈ R d v × d f \boldsymbol{W}_V∈\mathbb{R}^{d_v×d_f} WV∈Rdv×df对 F \boldsymbol{F} F进行线性变换：
得到键(Keys)矩阵 K = [ k 1 , … , k n f ] ∈ R d k × n f \boldsymbol{K}=\left[\boldsymbol{k}_{1}, \ldots, \boldsymbol{k}_{n_{f}}\right] \in \mathbb{R}^{d_{k} \times n_{f}} K=[k1,…,knf]∈Rdk×nf和值(Values)矩阵 V = [ v 1 , … , v n f ] ∈ R d v × n f \boldsymbol{V}=\left[\boldsymbol{v}_{1}, \ldots, \boldsymbol{v}_{n_{f}}\right] \in \mathbb{R}^{d_{v} \times n_{f}} V=[v1,…,vnf]∈Rdv×nf，其中 d k d_k dk和 d v d_v dv分别表示键向量（ K \boldsymbol{K} K的列）和值向量（ V \boldsymbol{V} V的列）的大小。
这两个权重矩阵可以是可训练的或者预先指定的。例如，可以选择将 W K \boldsymbol{W}_K WK和 W V \boldsymbol{W}_V WV都定义为单位矩阵，这将保留原始的特征向量。还有其他定义键和值的方法，例如用不同的 F \boldsymbol{F} F产生键和值，不过要保证 K \boldsymbol{K} K和 V \boldsymbol{V} V的列数相同。
注意力模块的目标是得到 V \boldsymbol{V} V中值向量的加权平均值。用于产生此输出的权重是通过注意力打分（attention scoring）和对齐（alignment ）步骤获得的。
查询向量 q \boldsymbol{q} q和键矩阵 K \boldsymbol{K} K用于计算注意力得分向量 e = [ e 1 , … , e n f ] ∈ R n f \boldsymbol{e}=\left[e_{1}, \ldots, e_{n_{f}}\right] \in \mathbb{R}^{n_{f}} e=[e1,…,enf]∈Rnf。这是通过打分函数score()完成的：
查询 q \boldsymbol{q} q表示对信息的请求。注意得分 e l e_l el表示根据查询 q \boldsymbol{q} q，键向量 k l \boldsymbol{k}_l kl中包含的信息有多重要。表2给出了各种注意力打分函数。
注意力得分的范围通常在 [ 0 , 1 ] [0,1] [0,1]之外。因此，还需要通过对齐层归一化注意力分数，常用Softmax函数：
其中 a l ∈ R 1 a_l∈\mathbb{R}^1 al∈R1为第 l l l个值向量对应的注意力权值。
注意力权重为注意力模块提供了一个相当直观的解释。每个权重都直接表明每个特征向量相对于其他特征向量的重要性。
通过注意力权重向量 a = [ a 1 , … , a n f ] ∈ R n f \boldsymbol{a}=\left[a_{1}, \ldots, a_{n_{f}}\right] \in \mathbb{R}^{n_{f}} a=[a1,…,anf]∈Rnf对值矩阵 V \boldsymbol{V} V各列进行加权平均，得到上下文向量（context vector） c ∈ R d v \boldsymbol{c}∈ \mathbb{R}^{d_v} c∈Rdv：
最后，上下文向量输入输出模型得到输出 y ^ \boldsymbol{\hat{y}} y^
这个输出模型将上下文向量转换为输出预测。例如，它可以是一个简单的softmax层，将上下文向量 c \boldsymbol{c} c作为输入：
其中 d y d_y dy是输出向量的大小， W c ∈ R d y × d v \boldsymbol{W}_c\in \mathbb{R}^{d_y\times d_v} Wc∈Rdy×dv和 b c ∈ R d y \boldsymbol{b}_c\in \mathbb{R}^{d_y} bc∈Rdy是可训练参数。
参考：
[1] A General Survey on Attention Mechanisms in Deep Learning https://arxiv.org/pdf/2203.14263v1.pdf
文章预告
