李宏毅机器学习学习笔记：Self-attention

Self-attention

输入无论是图像、音频、单词，embedding成向量vector的形式

传统方式将这些向量组成的sequence输入一个model，得到一系列输出，每个向量对应一个输出点

此时向量之间的关联，某个向量对另一个向量的影响并不能被体现出来，采用直接相加或cantenate的方法，体现了向量间的影响，但无法量化某个向量受不同向量影响的大小程度不同。采用Window的形式，无法决定window的大小。

因此提出self-attention，所有向量进入一个self-attention层，这样就能体现所有向量两两之间产生的影响

Self-attention的Q、K、V机制

Q、K、V分别指Query查询、Key键、Value值。

假设输入Sequence Input：a1、a2、a3、a4。（可能是hidden layer的output）

为了考虑a1、a2、a3、a4对a1产生的影响，进行以下步骤：

1、根据a1，找出（查询、query）Input Sequence中与a1相关的输入，即找出每一个向量与a1的关联性，记作α(1,i)。

具体实施该步骤的方法有很多，transformer中使用a1与ai，分别乘上Wq矩阵与Wk矩阵，获得q与k，二者点乘获得α(1,i)

将α(1,1)、α(1,2)、α(1,3)、α(1,4)连接成新的向量α1，相同方法获得α2、α3、α4。

通过一个softmax做normalization，获得α1'、α2'、α3'、α4'，每个向量（αi'）体现了其他位置输入向量与该位置输入向量（ai）的相关性

2、将a1、a2、a3、a4分别与矩阵Wv相乘，获得v1、v2、v3、v4，连接成v向量，该向量体现了每个输入向量自身的特征。

将v与α1'相乘，即将各个向量的值与它们对a1输入的相关性相乘，即考虑了各输入的值对a1的影响，相加后获得b1

b1即为a1的输出向量。

Self-attention的向量化实现

1、输入矩阵I(a1,a2,a3,a4)，分别乘Wq、Wk、Wv得到Q(q1,q2,q3,q4)，K(k1,k2,k3,k4)，V(v1,v2,v3,v4)

2、Q和K进行inner product，得到α的矩阵A(attention的分数) ，通过normalization获得A'。

3、A'乘矩阵V得到输出矩阵O(b1,b2,b3,b4)

4、总结

整个过程中需要训练学习的未知参数只有Wq，Wk，Wv

Multi-head Self-attention

相关性的度量由q体现，而相关性的度量方式有多种，因此需要使用Multi-head体现多种不同的相关性

假设有四个head来体现四种不同的相关性，依据以下步骤：

1、使用Wq，Wk，Wv获得Q、K、V之后，再使用Wq1、Wq2、Wq3、Wq4与Q做点积，获得Q1、Q2、Q3、Q4

同理，使用Wk1、Wk2、Wk3、Wk4与Wvv1、Wv2、Wv3、Wv4获得K1、K2、K3、K4与V1、V2、V3、V4

2、使用对应的Qi、Ki、Vi执行Self-attention（上一节步骤2、3），获得Bi即为第i个Head对应的输出。

Position Encoding

Self-attention的过程中缺少了一个重要的信息，输入向量之间的位置关系，向量在Sequence中的位置信息。

为每个位置设定一个向量，位置向量ei，将ei加在输入向量ai上。

产生ei的方法很多，目前有相应的研究Learning to Encode Position for Transformer with Continuous Dynamical Model

Self-attention的应用

语音识别：Truncated Self-attention，人为设定一个小的范围做Self-attention，不用去判断一整句的相关性，加快计算速度

图像处理：将一张图像看作一个很长的向量

Self-attention与CNN的差异与关联

CNN可以看作一种简化版的Self-attention，CNN只关注感受野receptive field内的咨询。

Self-attention可以看作复杂化的CNN，它关注整张图像内的咨询，通过计算像素之间的相关性，自动划定感受野receptive field的范围和大小。

CNN是Self-attention的特例，通过特定的参数，Self-attention可以做到CNN的感受野On the Relationship between Self-Attention and Convolutional Layers

Self-attention需要更多的data（更flexible的模型需要的data更多，小的、有限制的model更不容易overfitting）

在数据量较小时，CNN可以获得比Self-attention更好的结果。An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale

Self-attention与RNN的差异与关联

RNN只考虑左侧，当前Input向量之前的Input向量，双向的RNN可以考虑整个Sequence。Self-attention直接考虑整个Sequence。

RNN最开始的输入向量随着多层模型对最后的输入向量产生影响。Self-attention在输入时就将各个向量之间的影响通过Q和V存储。

RNN无法平行化处理（nonparallel），四个输出向量同时产生，因此Self-attention运算速度更快。

Self-attention for Graph

Graph咨询已经包含了node之间的相关性信息，可以直接计算attention分数矩阵A——GNN Graph Neural Network。