动手学深度学习 | 注意力机制结构 | 66
使用注意力机制的seq2seq
attention机制是在RNN中经常被使用到的一个机制。
对于attention这样一个机制，为什么会出现呢？主要就是我们采用传统的encoder-decoder来搭建RNN模型的时候，通常会存在一些问题。
问题一：无论输入的序列有多长，都会被编码成一个固定的向量表示，那么必然会损失非常多的信息。
问题二：当输入的序列比较长，模型的性能会很差。
如何解决呢？那就需要引入attention的机制。
通过attention机制来对输入的信息进行选择性的学习，建立序列之间的联系，也就是我们在输入层和输出层这两个序列中，去计算元素和元素之间的相关性，这个相关性就是attention。
序列和序列之间的attention，非常成功的一个架构就是seq2seq+attention。
上面的示意图，就是先见过encoder进行编码，然后在给到decoder进行解码。
加入attention在seq2seq结构中，就是在decoder中加入attention的单元，这个attention单元描述了当前节点和输入层节点的关系，也即是所谓权值。\(c_1\)描述了当前这个节点和\(x_1,x_2,x_3,x_4\)的相关性，\(c_2\)描述了当前这个节点和\(x_1,x_2,x_3,x_4\)的相关性，这样我们就可以利用attention机制对输入信息进行有选择性的学习，这也是非常符合人类认知客观世界，来理解客观世界的这样一个规律。
原始的encoder将所有的信息都压缩到一个隐藏状态c中，这样会损失非常多的信息。
一种解决方法就是可以把c在decoder的时候作为每一步的输入。但是我们在编码的时候依然只是编码出一个c。
解决方法可以考虑不用的时刻来定义不同的c，达到一个attention的效果。
非常典型的例子就是上图所展示的例子，输入序列“我爱中国”，输出序列“I lov China”。 其中“I”和“我”输出的相关性就非常高，“爱”和“love”的相关性是比较高的，“中国”和“China”的相关性是高的。基于此，我们去定义不同时间片上的不同权重，
seq2seq+attention基本就是业界的baseline的方法。
注意力在NLP中的应用，这个也是最早的工作之一。
seq2seq是只讲最后一个状态传递了出去，无法实现翻译的时候将注意力关注原来句子中的对应位置。
attention在这里怎么操作呢？就是将encoder对应每个词的输出作为key-value，就是如果英语句子长度为3，那么就会有3个key-value pair，也就是第i个词RNN的输出。
query是decoder对上一个词的预测作为query。
代码
QA
- query是decoder的输出，那第一次query是怎么得来的？
encoder的最后一个时间步的最上层隐藏层的输出作为deocder第一次的query。
- 一般都是在decoder加入注意力吗？不可以在encoder加入吗？
当然可以。
seq2seq是在decoder加入attention的。
bert是在encoder加入attention的。
- 能大概说一下图像attention吗？
沐神：其实我没有打算讲图像attention，
图像attention是self-attention，可以认为图像里面要抽取很多词出来，就是怎么把一个图片变成一些序列或者一些key-value pair呢？就是从图片中扣很多子图出来，一个子图就是一个key-value。
卷积经典的注意力结构
这里描述CNN中attention的这样一个概念，attention概念在RNN中使用的会比较多一些，但在CNN中，attention的概念同样有着非常重要的作用。
在介绍具体的网络之前，我们先来看attention的机制。
attention机制是非常容易的理解的，就是在给定一个全局区域的时候，人的注意力会聚焦或重点关注在一些特殊的目标区域，而这些焦点，这些关注的区域就是attention区域。
比如上图，画出来的深色区域就是我们会重点关注的区域。
使用注意力机制的思想应用在神经网络的设计中，就是attention的结构。
那么如何来表示我们重点关注的这些区域呢？=》实际就是对这些区域进行加权。
我们对不同的区域，予以不同的权重，这种想法就是对attention机制在CNN中的实现的一种重要手段。那么具体如何对区域进行加权呢？这就分为了：
- one-hot分布 & hard-attention
- soft的软分布 & soft-attention
hard-attention就是0,1的离散值，1就表示是attention的重要区域，否则就不是。而soft-attention则是使用了实数[0,1]来表示注意力的权重范围。
当然attention我们不要只关注与怎么看图像，还可以进行延展，就是对信息进行局部加权操作。可以是特征图，可以使尺度空间，可以是channel尺度，可以是不同的历史特征（LSTM、RNN、GRU）。
我们可以在feature_map上做attention，比如我们对ResNet+attention的结构进行一个改造。
示意图的上半部分就是标准的ResNet网络，然后我们将attention的结构添加其子模块中。我们在输入的某个feature map上进行分叉，其中上半段的feature map我们继续进行卷积操作，而下部分的feature map，首先先进行下采样，然后再进行上采样，这样我们可以拿到一个相同尺度相同大小的一个权重图，然后通过一个sigmoid函数将这个权重图归一化的[0,1]，然后权重图的[0,1]就对应了feature map上的每一个权重，然后再进行乘加操作，实现了在特征图上进行加权的这样一种操作。
这里的attention操作是通过一个下采样+上采样来完成。
还可以将attention作用在channel上。
比如这里实现加权的方式就是学习一个\(1*1*c\)的向量，这里的c就是channel的数量。
