Self-attention自注意力机制——李宏毅机器学习笔记

self-attention想要解决的问题

复杂的输入

每次输入的length不同时，即Vector Set大小不同，该如何处理？
one-hot encoding，缺点：所有的词汇之间没有语义资讯。
word embedding，会给每一个词汇一个向量，一个句子则是一排长度不一
的向量，具有语义资讯。

1min便有6000个frame

输出是什么？

（1）Each vector has a label

(2)The whole sequence has a label

（3）Model decides the number of labels itself

Sequence Labeling

使用fc缺点：假设是词性标记，则无法正确识别。

It is possible to consider the context?

a window covers the whole sequence?
sequence长度有长有短，首先我们需要统计训练资料，查看一下最长的sequence有多长，然后开一个window（大于最长的sequence），这就会导致fc所需参数多，运算量大，容易overfitting。
所以使用self-attention:
知名paper：Attention is all you need.

如何计算‘阿尔法’数值：
（1）Dot-product——常用
（2）Additive

Dot-product
w先随机生成，后通过梯度下降训练得出。


为什么要用soft-max？
不一定用soft-max，只是比较常见，也可以用别的。

得到a’后，我们可以知道哪些向量与a1是最有关系的，然后我们开始根据attention score来抽取重要资讯：


b1-b4是可以并行计算得到




softmax可以使用其他


从I——>O就是做了self-attention
self-attention layer中唯一需要学习的参数是W

Multi-head Self-attention多头注意力机制

翻译、语音辨识用multi-head往往可以得到比较好的结果，至于多少个head也是需要调参的。




self-attention layer少了一个很重要的资讯——位置资讯，如果需要可以加入positional encoding。（这个问题尚待研究）

self-attention的应用

使用self-attention 处理语音时，会产生很长的向量，即attention matrix太大，不容易训练，因此使用truncated self-attention，看一部分（自己设定）而不去看整句话。

Self -attention 和 CNN的关系

self-attention中的receptive field是机器自己学出来的，自己决定需要考虑哪些信息。

Self-attention VS RNN

(1)self-attention考虑的范围较广

（2）倘若RNN要考虑最右边黄色vector要考虑最左边蓝色vector，则它需要将蓝色vector存到Memory中，然后不能忘掉一路带到最右边。

（3）RNN：nonparallel