浅析深度学习中的mask操作

mask（掩码、掩膜）是深度学习中的常见操作。简单而言，其相当于在原始张量上盖上一层掩膜，从而屏蔽或选择一些特定元素，因此常用于构建张量的过滤器（见下图）。

按照上述定义，非线性激活函数Relu（根据输出的正负区间进行简单粗暴的二分）、dropout机制（根据概率进行二分）都可以理解为泛化的mask操作。

从任务适应性上，mask在图像和自然语言处理中都广为应用，其应用包括但不局限于：图像兴趣区提取、图像屏蔽、图像结构特征提取、语句padding对齐的mask、语言模型中sequence mask等。

从使用mask的具体流程上，其可以作用于数据的预处理（如原始数据的过滤）、模型中间层（如relu、drop等）和模型损失计算上（如padding序列的损失忽略）。

尽管上述操作均可统称为mask，但其具体的算法实现细节需要根据实际需求进行设计，下面利用pytroch来实现几个典型的例子。

实例1：图像兴趣区提取

通过mask张量定义兴趣区（或非兴趣区）位置张量，将非兴趣区上的张量元素用0值填充。

import torch

a = torch.randint(0, 255, (2, 3, 3))   # 两张单通道的图像张量
# tensor([[[ 77,  58, 134],
#         [ 83, 187,  36],
#         [103, 183, 138]],

#        [[223,  19,   7],
#         [ 55, 167,  77],
#         [231, 223,  37]]])

mask = = torch.tensor([[1, 0, 0], [0, 1, 0],  [0, 0, 1]]).bool()   # 1为感兴趣区域位置，0为非感兴趣，可将其值填为0

a.masked_fill_(~mask, 0)      # 注意按照上述定义，需取反~
# tensor([[[ 77,   0,   0],
#         [  0, 187,   0],
#         [  0,   0, 138]],

#        [[223,   0,   0],
#         [  0, 167,   0],
#         [  0,   0,  37]]])

实例2：文本Embedding层中对padding的处理

在NLP中，虽然CNN特征抽取器要求文本长度为定长，而RNN和Tranformer特征抽取器虽然可应对不定长的文本序列，但为了在batch维度上进行并行化处理，一般还是选择将文本进行长度对齐，即过长序列进行截断，而长度不足序列进行padding操作。padding操作只是数据维度上的对齐，其并不应该对整个网络的计算贡献任何东西，所以必须进行mask操作。

在pytorch中的词嵌入对象Embedding中，直接通过设定padding_idx参数，即可自动对指定的pad编号进行mask操作，即将padding_idx对象的词向量元素均设为0，从而使得该词对网络的正向传播和梯度反向传播均失活，从而达到了mask的目的。

import torch
import torch.nn as nn

a = torch.tensor([[1,2,3], [2,1,0]])   # 2段文本数据
net = nn.Embedding(num_embeddings=10, embedding_dim=5, padding_idx=0)  # 词嵌入层
b = net(a)   # 进行词嵌入
#　tensor([[[-1.8167,  0.0701,  2.0281, -0.7096,  1.0128],
#          [ 2.3647,  1.0678,  0.0383,  0.3265, -0.1237],
#         [ 1.0633,  0.4248,  2.0323, -0.3140, -0.5124]],

#        [[ 2.3647,  1.0678,  0.0383,  0.3265, -0.1237],
#         [-1.8167,  0.0701,  2.0281, -0.7096,  1.0128],
#         [ 0.0000,  0.0000,  0.0000,  0.0000,  0.0000]]],
#       grad_fn=)


# 会发现padding=0处的张量均变为了0

下面来手动实现下上述功能：

import torch
import torch.nn as nn

a = torch.tensor([[1,2,3], [2,1,0]])
net = nn.Embedding(num_embeddings=10, embedding_dim=5)  # 并未设置padding_index参数
a_ = net(a)  # 观察结果，发现果然没有全为0的词向量

mask = (a!=0).float().unsequeeze(-1)  # 手动得到mask张量，注意要升维

b = a_ * mask   # 会发现得到了上述的效果
# tensor([[[ 0.2723, -0.2836,  0.0061,  1.0740, -1.1754],
#         [-0.6695, -0.9080,  0.7244,  0.3022,  0.5039],
#         [ 1.8236, -1.1954, -0.3024,  0.0857, -0.2242]],

#        [[-0.6695, -0.9080,  0.7244,  0.3022,  0.5039],
#         [ 0.2723, -0.2836,  0.0061,  1.0740, -1.1754],
#         [ 0.0000,  0.0000,  0.0000, -0.0000, -0.0000]]],
#       grad_fn=)

实例3：padding的损失计算问题

对于文本序列中的NLP，其中-token位置处的损失不应该计入，具体而言就是最终的损失应当是一个mask-mean的计算过程。

在pytorch中的损失计算对象CrossEntropyLoss等中，直接通过设定ignore_index参数，即可自动忽略处的损失计算。

下面是pytorch中的一个简单的例子：

import torch
import torch.nn as nn

targets = torch.tensor([1, 2, 0])  # 某个时间步batch中各样本的labels
preds = torch.tensor([[1.4, 0.5, 1.1], [0.7, 0.4, 0.2], [2.4, 0.2, 1.4]])   # 某个时间步的batch*preds

criterion1 = nn.CrossEntropyLoss()   # 不屏蔽padding
criterion2 = nn.CrossEntropyLoss(ignore_index=0)   # 不屏蔽padding

loss1 = criterion1(preds, targets)
# 返回  tensor(1.1362)

loss2 = criterion2(preds, targets)
# 返回  tensor(1.5088) ， 例子中该损失只考虑了2个样本

下面，手动实现下该机制：

import torch
import torch.nn as nn
import torch.nn.functional as F

targets = torch.tensor([1, 2, 0])  # 某个时间步batch中各样本的labels
preds = torch.tensor([[1.4, 0.5, 1.1], [0.7, 0.4, 0.2], [2.4, 0.2, 1.4]])   # 某个时间步的batch*preds

def pad_loss(pred, target,  pad_index=None):
    if pad_index == None:    # 不考虑padding的mask
        mask = torch.ones_like(target, dtype=torch.float)
    else:
        mask = (target != pad_index).float()
    nopd = mask.sum().item()   # 实际计算的样本label数
    target = torch.zeros(pred.shape).scatter(dim=1, index=target.unsqueeze(-1), source=torch.tensor(1))  # 对labels进行one-hot编码
    target_ = target * mask.unsqueeze(-1)   # 对labels进行mask
    loss = -(F.log_softmax(pred, dim=-1) * target_.float()).sum()/nopd   # NLL损失
    return loss

loss1 = pad_loss(preds, preds)
# 返回  tensor(1.1362)

loss2 = pad_loss(preds, preds, pad_index=0)
# 返回  tensor(1.5088)

实例4：self-attention对padding的处理

Transformer中提出的self-attention机制可以通过文本内部两两元素进行信息的提取，在其中计算各score的softmax权重时，不能将padding处的文本考虑进来（因为这些文本并不存在）。所以在进行softmax前需要进行mask操作（如下图）。

其具体策略是，将padding的文本处的score设定为负的极大值，这样最终的权重接近于0，从而这些文本不会对attention后生成的向量其作用。

import torch
import torch.nn as nn
import torch.nn.functional as F

a = torch.tensor([2,1,0])   # 文本序列
score = torch.tensor([1.2, 2.3, 4])   #　 score结果

mask = (a == 0).bool()　　 # 生成mask
score_ = F.softmax(score.masked_fill(mask, -np.inf), dim=-1)   # padding处填充-inf，从而对softmax结果没影响
# tensor([0.2497, 0.7503, 0.0000])

实例5：序列生成模型中对后续未知文本的处理
在Transformer中Decoder部分的self-attention处，由于是模型的目的在于序列生成，所以无论在训练过程中需要特意将后续文本进行mask，不让模型看到。

此时的mask操作称为针对序列的sequence mask，其以文本序列长度为单位，生成一个上三角矩阵矩阵，其中上三角元素为0，其余元素为1，表示在当前word处（即矩阵的对角元）模型看不到后面的words。

import numpy as np
import torch 

def sequence_mask(size):
	mask_shape = (size, size)
	return torch.from_numpy(np.tril(np.ones(mask_shape),k=0))

实例6：mask的联合操作

比如在Transformer的Decoder中self-attention中，既需要对进行mask，也需要对后续序列进行mask，此时就需要对两个mask进行&位运算，以迭加效果。

def combine_mask(batch_text, inpad_index=0):
    """
    batch_text: 文本batch， Batch * Sequence 
    """
    pad_mask = batch_text != inpad_index    # Batch * Sequence 
    
    sequence_len = batch_text.shape[1]   # 时间步长
    sequence_mask = torch.tensor(np.tril(np.ones((sequence_len, sequence_len)), k=0)).byte()  # Sequence * Sequence

    mask = pad_mask.unsqueeze(-2) & sequence_mask    # Batch * Sequence * Sequence 注意将pad_mask升维
    
    return mask