self-attention 自注意力机制 2, 多头自注意力机制

https://blog.csdn.net/Michale_L/article/details/126549946

 GOOD

三、Self-Attention详解

针对输入是一组向量，输出也是一组向量，输入长度为N（N可变化）的向量，输出同样为长度为N 的向量。
3.1 单个输出

 

 

 
对于每一个输入向量a，经过蓝色部分self-attention之后都输出一个向量b，这个向量b是考虑了所有的输入向量对a1产生的影响才得到的，这里有四个词向量a对应就会输出四个向量b。

下面以b1的输出为例

首先，如何计算sequence中各向量与a1的关联程度，有下面两种方法

 

         Dot-product方法是将两个向量乘上不同的矩阵w，得到q和k，做点积得到α，transformer中就用到了Dot-product。
        上图中绿色的部分就是输入向量 a1 和 a2，灰色的 Wq 和 Wk 为权重矩阵，需要学习来更新，用 a1 去和 Wq 相乘，得到一个向量 q，然后使用 a2 和 Wk 相乘，得到一个数值 k。最后使用 q 和 k 做点积，得到 α。α也就是表示两个向量之间的相关联程度。
        上图右边加性模型这种机制也是输入向量与权重矩阵相乘，后相加，然后使用tanh投射到一个新的函数空间内，再与权重矩阵相乘，得到最后的结果。

 

可以计算每一个α(又称为attention score），q称为query，k称为key

  另外，也可以计算 a1 和自己的关联性，再得到各向量与 a1 的相关程度之后，用softmax计算出一个attention distribution，这样就把相关程度归一化，通过数值就可以看出哪些向量是和a1最有关系。

 

 下面需要根据 α′ 抽取sequence里重要的信息：

先求 v，v 就是键值 value，v 和 q、k 计算方式相同，也是用输入 a 乘以权重矩阵 W，得到 v 后，与对应的 α′ 相乘，每一个 v 乘与 α' 后求和，得到输出 b1。
如果 a1 和 a2 关联性比较高， α1,2′ 就比较大，那么，得到的输出 b1 就可能比较接近 v2 ，即 attention score 决定了该 vector 在结果中占的分量；

 

 

矩阵运算

用矩阵运算表示b1的生成：

Step 1：q、k、v的矩阵形式生成

 

写成矩阵形式：

 

把4个输入a拼成一个矩阵，这个矩阵有4个column，也就是a1到a4，乘上相应的权重矩阵W，得到相应的矩阵Q、K、V，分别表示query,key和value。

  三个W是我们需要学习的参数

Step 2：利用得到的 Q 和 K 计算每两个输入向量之间的相关性，也就是计算 attention 的值 α， α 的计算方法有多种，通常采用点乘的方式。

先针对 q1，通过与 k1 到 k4 拼接成的矩阵 K 相乘，得到 拼接成的矩阵。

 

 同样，q1到q4也可以拼接成矩阵Q直接与矩阵K相乘：

 

公式为：

 

矩阵形式：

 

矩阵A中的每一个值记录了对应的两个输入向量的Attention的大小α，A'是经过softmax归一化后的矩阵。

Step 3：利用得到的A'和V，计算每个输入向量a对应的self-attention层的输出向量b：

 

 

 

写成矩阵形式：

 

 对self-attention操作过程做个总结，输入是I，输出是O：

 

 矩阵W^q、 W^k 、W^v是需要学习的参数。

 

 

 四、Multi-head Self-attention 多头自注意力机制

self-attention的进阶版本 Multi-head Self-attention，多头自注意力机制。
因为相关性有很多种不同的形式，有很多种不同的定义，所以有时不能只有一个 q，要有多个 q，不同的 q 负责不同种类的相关性。

对于1个输入a

 
 首先，和上面一样，用 a 乘权重矩阵 W 得到 q^i，然后再用 q^i 乘两个不同的 W，得到两个不同的 q^{i,n}，i 代表的是位置，1和2代表的是这个位置的第几个 q。

这上面这个图中，有两个head，代表这个问题有两种不同的相关性。

同样，k 和 v 也需要有多个，两个 k、v 的计算方式和 q 相同，都是先算出来 kⁱ 和 vⁱ，然后再乘两个不同的权重矩阵。

对于多个输入向量也一样，每个向量都有多个head：

 

 
算出来 q、k、v 之后怎么做 self-attention 呢？

和上面讲的过程一样，只不过是1那类的一起做，2那类的一起做，两个独立的过程，算出来两个 b。

对于1：

 
 对于2：

 
这只是两个head的例子，有多个head过程也一样，都是分开算b。

最后，把b^i,1,b^i,2拼接成矩阵再乘权重矩阵W，得到bⁱ，也就是这个self- attention向量aⁱ的输出，如下图所示：

 

五、Positional Encoding

在训练 self attention 的时候，实际上对于位置的信息是缺失的，没有前后的区别，上面讲的 a1,a2,a3 不代表输入的顺序，只是指输入的向量数量，不像 RNN，对于输入有明显的前后顺序，比如在翻译任务里面，对于“机器学习”，机器学习依次输入。而 self-attention 的输入是同时输入，输出也是同时产生然后输出的。
如何在Self-Attention里面体现位置信息呢？就是使用 Positional Encoding。
也就是新引入了一个位置向量eⁱ，非常简单，如下图所示：

每一个位置设置一个 vector,叫做 positional vector，用 eⁱ 表示，不同的位置有一个专属的 eⁱ。
如果 aⁱ 加上了 eⁱ，就会体现出位置的信息，i 是多少，位置就是多少。
vector长度是人为设定的，也可以从数据中训练出来。

 

原文链接：https://blog.csdn.net/Michale_L/article/details/126549946