上一节记录了注意力机制的基础,这一节主要做几个实现,沐神说qkv在不同任务中的角色不一,所以后续内容才会搞懂qkv是啥玩意。
上节使用了高斯核来对查询和键之间的关系建模。 高斯核指数部分可以视为注意力评分函数(attention scoring function), 简称评分函数(scoring function), 然后把这个函数的输出结果输入到softmax函数中进行运算。 通过上述步骤,将得到与键对应的值的概率分布(即注意力权重)。 最后,注意力汇聚的输出就是基于这些注意力权重的值的加权和。
从宏观来看,上述算法可以用来实现下图中的注意力机制框架。 下图说明了如何将注意力汇聚的输出计算成为值的加权和, 其中 α \alpha α
表示注意力评分函数。 由于注意力权重是概率分布, 因此加权和其本质上是加权平均值。
图10.3.1 计算注意力汇聚的输出为值的加权和
用数学语言描述, 假设有一个查询 q ∈ R q \mathbf{q} \in \mathbb{R}^q q∈Rq 和 m m m 个“键一值”对 ( k 1 , v 1 ) , … , ( k m , v m ) \left(\mathbf{k}_1, \mathbf{v}_1\right), \ldots,\left(\mathbf{k}_m, \mathbf{v}_m\right) (k1,v1),…,(km,vm), 其中 k i ∈ R k \mathbf{k}_i \in \mathbb{R}^k ki∈Rk, v i ∈ R v \mathbf{v}_i \in \mathbb{R}^v vi∈Rv 。 注意力汇聚函数 f f f 就被表示成值的加权和:
f ( q , ( k 1 , v 1 ) , … , ( k m , v m ) ) = ∑ i = 1 m α ( q , k i ) v i ∈ R v , f\left(\mathbf{q},\left(\mathbf{k}_1, \mathbf{v}_1\right), \ldots,\left(\mathbf{k}_m, \mathbf{v}_m\right)\right)=\sum_{i=1}^m \alpha\left(\mathbf{q}, \mathbf{k}_i\right) \mathbf{v}_i \in \mathbb{R}^v, f(q,(k1,v1),…,(km,vm))=i=1∑mα(q,ki)vi∈Rv,
其中查询 q \mathbf{q} q 和键 k i \mathbf{k}_i ki 的注意力权重(标量) 是通过注意力评分函数 a a a 将两个向量映射成标量, 再经过 softmax运算得到的:
α ( q , k i ) = softmax ( a ( q , k i ) ) = exp ( a ( q , k i ) ) ∑ j = 1 m exp ( a ( q , k j ) ) ∈ R . \alpha\left(\mathbf{q}, \mathbf{k}_i\right)=\operatorname{softmax}\left(a\left(\mathbf{q}, \mathbf{k}_i\right)\right)=\frac{\exp \left(a\left(\mathbf{q}, \mathbf{k}_i\right)\right)}{\sum_{j=1}^m \exp \left(a\left(\mathbf{q}, \mathbf{k}_j\right)\right)} \in \mathbb{R} . α(q,ki)=softmax(a(q,ki))=∑j=1mexp(a(q,kj))exp(a(q,ki))∈R.
正如上图所示, 选择不同的注意力评分函数 a a a 会导致不同的注意力汇聚操作。本节将介绍两个流行的评分 函数,稍后将用他们来实现更复杂的注意力机制。
import math
import torch
from torch import nn
from d2l import torch as d2l
在某些情况下,并非所有的值都应该被纳入到注意力汇聚中。 例如, 某些文本序列被填充了没有意义的特殊词元。 为了仅将有意义的词元作为值来获取注意力汇聚, 可以指定一个有效序列长度(即词元的个数), 以便在计算softmax时过滤掉超出指定范围的位置。 下面的masked_softmax函数 实现了这样的掩蔽softmax操作(masked softmax operation), 其中任何超出有效长度的位置都被掩蔽并置为0。
#@save
def masked_softmax(X, valid_lens):
"""通过在最后一个轴上掩蔽元素来执行softmax操作"""
# X:3D张量,valid_lens:1D或2D张量
if valid_lens is None:
return nn.functional.softmax(X, dim=-1)
else:
shape = X.shape
if valid_lens.dim() == 1:
valid_lens = torch.repeat_interleave(valid_lens, shape[1])
else:
valid_lens = valid_lens.reshape(-1)
# 最后一轴上被掩蔽的元素使用一个非常大的负值替换,从而其softmax输出为0
X = d2l.sequence_mask(X.reshape(-1, shape[-1]), valid_lens,
value=-1e6)
return nn.functional.softmax(X.reshape(shape), dim=-1)
为了演示此函数是如何工作的, 考虑由两个 2 × 4 2 \times 4 2×4 矩阵表示的样本, 这两个样本的有效长度分别为 2 和 3 。 经过掩蔽softmax操作,超出有效长度的值都被掩蔽为 0 。
masked_softmax(torch.rand(2, 2, 4), torch.tensor([2, 3]))
'''
tensor([[[0.5980, 0.4020, 0.0000, 0.0000],
[0.5548, 0.4452, 0.0000, 0.0000]],
[[0.3716, 0.3926, 0.2358, 0.0000],
[0.3455, 0.3337, 0.3208, 0.0000]]])
'''
一般来说, 当查询和键是不同长度的矢量时, 可以使用加性注意力作为评分函数。给定查询 q ∈ R q \mathbf{q} \in \mathbb{R}^q q∈Rq 和 键 k ∈ R k \mathbf{k} \in \mathbb{R}^k k∈Rk ,加性注意力 (additive attention) 的评分函数为
a ( q , k ) = w v ⊤ tanh ( W q q + W k k ) ∈ R , a(\mathbf{q}, \mathbf{k})=\mathbf{w}_v^{\top} \tanh \left(\mathbf{W}_q \mathbf{q}+\mathbf{W}_k \mathbf{k}\right) \in \mathbb{R}, a(q,k)=wv⊤tanh(Wqq+Wkk)∈R,
其中可学习的参数是 W q ∈ R h × q 、 W k ∈ R h × k \mathbf{W}_q \in \mathbb{R}^{h \times q} 、 \mathbf{W}_k \in \mathbb{R}^{h \times k} Wq∈Rh×q、Wk∈Rh×k 和 w v ∈ R h \mathbf{w}_v \in \mathbb{R}^h wv∈Rh 。如 (10.3.3) 所示, 将查询和键连结起来后 输入到一个多层感知机 (MLP) 中, 感知机包含一个隐藏层, 其隐藏单元数是一个超参数 h h h 。通过使用 tanh \tanh tanh 作为激活函数, 并且禁用偏置项。
下面来实现加性注意力。
class AdditiveAttention(nn.Module):
"""加性注意力"""
def __init__(self, key_size, query_size, num_hiddens, dropout, **kwargs):
super(AdditiveAttention, self).__init__(**kwargs)
self.W_k = nn.Linear(key_size, num_hiddens, bias=False)
self.W_q = nn.Linear(query_size, num_hiddens, bias=False)
self.w_v = nn.Linear(num_hiddens, 1, bias=False)
self.dropout = nn.Dropout(dropout)
def forward(self, queries, keys, values, valid_lens):
queries, keys = self.W_q(queries), self.W_k(keys)
# 在维度扩展后,
# queries的形状:(batch_size,查询的个数,1,num_hidden)
# key的形状:(batch_size,1,“键-值”对的个数,num_hiddens)
# 使用广播方式进行求和
features = queries.unsqueeze(2) + keys.unsqueeze(1)
features = torch.tanh(features)
# self.w_v仅有一个输出,因此从形状中移除最后那个维度。
# scores的形状:(batch_size,查询的个数,“键-值”对的个数)
scores = self.w_v(features).squeeze(-1)
self.attention_weights = masked_softmax(scores, valid_lens)
# values的形状:(batch_size,“键-值”对的个数,值的维度)
return torch.bmm(self.dropout(self.attention_weights), values)
使用点积可以得到计算效率更高的评分函数, 无需学习任何参数,但是点积操作要求查询Q和键K具有相同的长度 d ∘ d_{\circ} d∘ 假设查询和 键的所有元素都是独立的随机变量, 并且都满足零均值和单位方差, 那么两个向量的点积的均值为 0 , 方 差为 d d d 。
解释:点积是向量对应位置相乘再相加。两个独立的N(0,1)的随机变量相乘得到的变量方差还是1。Q,K都是d维, 相加步骤是d个方差为1的变量相加,方差就是d了。
为确保无论向量长度如何, 点积的方差在不考虑向量长度的情况下仍然是 1 , 我们再将点积除以 d \sqrt{d} d, 则缩放点积注意力 (scaled dot-product attention) 评分函数为:
a ( q , k ) = q ⊤ k / d . a(\mathbf{q}, \mathbf{k})=\mathbf{q}^{\top} \mathbf{k} / \sqrt{d} . a(q,k)=q⊤k/d.
在实践中, 我们通常从小批量的角度来考虑提高效率, 例如基于 n n n 个查询和 m m m 个键一值对计算注意力, 其 中查询和键的长度为 d d d, 值的长度为 v v v 。 查询 Q ∈ R n × d \mathbf{Q} \in \mathbb{R}^{n \times d} Q∈Rn×d 、键 K ∈ R m × d \mathbf{K} \in \mathbb{R}^{m \times d} K∈Rm×d 和 值 V ∈ R m × v \mathbf{V} \in \mathbb{R}^{m \times v} V∈Rm×v 的缩放点积注意 力是:
softmax ( Q K ⊤ d ) V ∈ R n × v . \operatorname{softmax}\left(\frac{\mathbf{Q K}^{\top}}{\sqrt{d}}\right) \mathbf{V} \in \mathbb{R}^{n \times v} . softmax(dQK⊤)V∈Rn×v.
下面的缩放点积注意力的实现使用了暂退法(dropout)进行模型正则化。
#@save
class DotProductAttention(nn.Module):
"""缩放点积注意力"""
def __init__(self, dropout, **kwargs):
super(DotProductAttention, self).__init__(**kwargs)
self.dropout = nn.Dropout(dropout)
# queries的形状:(batch_size,查询的个数,d)
# keys的形状:(batch_size,“键-值”对的个数,d)
# values的形状:(batch_size,“键-值”对的个数,值的维度)
# valid_lens的形状:(batch_size,)或者(batch_size,查询的个数)
def forward(self, queries, keys, values, valid_lens=None):
d = queries.shape[-1]
# 设置transpose_b=True为了交换keys的最后两个维度
scores = torch.bmm(queries, keys.transpose(1,2)) / math.sqrt(d)
self.attention_weights = masked_softmax(scores, valid_lens)
return torch.bmm(self.dropout(self.attention_weights), values)