【注意力机制综述】基础原理、变种和最近研究

点击上方“小白学视觉”，选择加"星标"或“置顶”

重磅干货，第一时间送达

来自 |  知乎

作者丨李新春

来源丨https://zhuanlan.zhihu.com/p/106662375

仅作学术交流，如有侵权，请联系删文

Attention机制是深度学习里面的一个非常重要且有效的技巧，本文将会简单介绍Attention的基础原理，重点介绍Attention的变种和最近研究。以下是文章的目录结构：

• Attention回顾

• 相关工作

• Attention的变种

• 总结
  

一、Attention回顾

这一部分简单回顾Attention的基础知识。

Attention的本质是根据事物之间的关系进行线性加权得到新的表示。类比而言，假如我们现在需要给一段文本进行评分，每个文本有一个对应的向量表示。现在我们有一个检索库 ，其中 是一对向量表示和评分，现在给定一个需要评分的文本 ，该如何计算它对应的评分呢？

首先，我们需要计算查询文本 和每个检索库里面文本的相似度，即 ，然后根据相似度加权预测评分得到： 。

对应的，Attention则是给定一个查询的向量表示 以及对应的检索库 ，其中 是关键字 对应的向量表示，那么为了将 和检索库里面的知识利用上，需要对 的表示加以转换为： 。

根据相似度的计算方法，Attention有不同的种类，包括：内积相似度、余弦相似度和拼接相似度等等。

内积相似度：

余弦相似度：

拼接相似度：

其中拼接相似度是将两个向量拼接起来，然后利用一个可以学习的权重 求内积得到相似度，也称为Additive Attention，意思是指的 。

最后可以根据相似度得到一组权值： 。有时候为了限制权值的大小，需要将权值进行归一化或者缩放，比如：

或者单独进行归一化：

总之，Attention就是利用事物之间的关系计算一组权值，然后进行加权表示得到新的表示，可以理解为是一种特征变换的方法。

二、相关工作

下面介绍一下相关工作，Attention和很多术语有相似之处，比如Pooling，Aggregation，Gating，Squeeze-Excitation等等，下面分别介绍一下。

Pooling

Pooling池化是神经网络卷积层之后经常用到的一层，目前为止有很多池化的方法，比如确定性（Deterministic）的池化方法：Sum pooling, Mean pooling, Max pooling, K-Max pooling, Chunk-Max pooling等。还有一类就是随机池化，Stochastic pooling。

先简单介绍一下Deterministic Pooling的方法：其中如下图所示（按列Pooling），对应的Mean、Sum、Max是将多个向量的对应值的地方取平均、和、最大，K-Max是指的取前K个最大的拼接成一个向量，Chunk-Max是将向量分组然后分别取最大。

确定性Pooling的方法有很多好处：比如各种不变性（Invariant）。但是Mean Pooling会因为平均而降低某一个区域的激活值，Max Pooling会不稳定。

然后Stochastic Pooling是论文《Stochastic Pooling for Regularization of Deep Convolutional Neural Networks》里面提出的一种随机性池化方法，根据ReLU之后的激活值的大小进行按照Multinomial概率分布选择一个值，示意图如下：

然后在测试过程中，根据概率值进行加权得到相应的Pooling值，类似于Dropout机制，也是充当了一个正则化的作用。

Aggregation

有一些机器学习的任务需要做一些集合型数据集，即顺序不变性，比如统计人群数量、点云分类或者多实例数据集。一般用来做顺序无关的数据集有几种方法，包括：1）人工设定一个排序方式；2）使用多个排序来扩充训练数据集；3）使用单个函数对每个样本进行处理，然后使用一个顺序无关的函数来处理，比如Mean、Max、Sum等等。

在《Deep Sets》里面给出了一个定理：对于一个集合数据 施加一个函数 ，当且仅当它可以被分解为 ，它就是一个合理的集合函数，即具有顺序不变性。这个结果告诉我们可以使用单独的变换函数 对每个样本进行处理，然后使用聚合函数 对得到的表示进行处理，然后使用 进行分类或者回归。

相应的应用可参考PointNet，见《PointNet：Deep Learning on Point Sets for 3D Classification and Segmentation》。

Gating

门技巧是LSTM里面最常用的一种方法，以GRU为例，参考文章《Empirical Evaluation of Gated Recurrent Neural Networks on Sequence Modeling》：

其中包括重置门和更新门，Reset Gate和Update Gate。重置门会计算一组经过Sigmoid激活函数对 进行点乘，相当于加了权重；更新门会计算一组Sigmoid激活地函数来控制使用新的隐层或旧的隐层值。

Squeeze-Excitation

这是CVPR2018 《Squeeze-and-Excitation Networks》提出的一种利用Channel信息的方法，示意图见下图：

对于CNN里面图像的处理，得到的基本上都是一个“立方体”，大小为： 。其中 是通道，对于每一个通道，先做Squeeze，即Mean Pooling，然后使用带参数的激活函数进行Excitation，得到一组权值 ，施加到对应的通道上。

三、Attention的变种

下面介绍一下Attention的变种，包括：Feed forward attention, Self attention, Co attention等等。

Feed forward attention

最常用的Attention之一是Feed forward attention，其中查询Query被设置为是可以学习的参数 ，然后检索库里面的Key和Value被设置为一样的，即 。

然后得到的Attention机制为，实际实现过程可以使用一层神经网络来计算Attention权值：

最后为了使得Attention机制更加复杂，可以使用两层神经网络来计算Attention权值，即设置多个Query，类似下面：

那么计算过程为：

其中 计算了 和 S 个Query的内积相似度，然后经过 tanh 激活函数得到 S 个相似度，然后 S 个相似度又会使用另外一组可以学习的参数 加权得到最终的相似度。

有时候为了增加 之间的差异性，会加入一个关于 正则化项：

有个示意图如下：

Self Attention

Self attention会让Query, Key和Value一样，示意图如下：

对于第 j 个样本，计算其和所有其余样本的相似度，然后进行Softmax得到权值，加权得到新的表示：

对于每一个 都可以得到一个Self Attention的结果，那么对于所有的 ，得到的新的表示为：

即先计算两两内积 ，然后根据行做Softmax得到权值，然后得到加权后的结果。

有时候，在一些序列有关的数据当中，会额外加入一些位置关系的先验，比如《Self-Attention with Relative Position Representations》中的一种方法：

然后， 是一系列需要学习的参数。

Multi Head Attention

在Transformer的提出文章《Attention Is All You Need》中，提出了Multi Head Attention，示意图如下：

其中Scaled Dot Product Attention指的是：

然后Multi Head Attention就是使用多组Attention得到相应的结果并拼接：

然后ACL 2019有一篇文章《Analyzing Multi-Head Self-Attention: Specialized Heads Do the Heavy Lifting, the Rest Can Be Pruned》对多个Head进行了分析，其中有一些有意思的结论，多个Head的作用有大多数是冗余的，很多可以被砍掉，并且还对多个Head进行分类。

文中通过在多个数据集上跑实验，发现大部分Head可以分为以下几种：

• Positional Head：这个Head计算的权值通常指向临近的词，规则是这个Head在90%的情况下都会把最大的权值分配给左边或者右边的一个词。

• Syntactic Head：这个Head计算的权值通常会将词语之间的关系联系起来，比如名词和动词的指向关系。

• Rare Head：这个Head通常会把大的权值分配给稀有词。

然后文章还分析了如何去精简Heads，优化的方法如下（给各个Head加个权值，相当于门）：

然后去优化 ，加入 稀疏正则化损失：

最后为了近似 ，其中 的优化可以采用Gumbel Softmax技巧，因此每次训练的时候相当于使用了Sampling的技巧从多个Head里面选出来一部分进行运算，而Sampling的依据（参数 ）则可以通过Gumbel Reparametrization的技巧来实现。

Convolution Attention

在卷积神经网络里面Attention有了更多的变种，比如ECCV 2018 《CBAM: Convolutional Block Attention Module》提出的CBAM：

首先，经过Channel-wise计算每个Channel的权值，类似于Squeeze-Excitation，但是这个里面同时考虑了Global Max Pool和Global Average Pool。此外，又针对Spatial的信息进行了加权。

Pyramid Attention

下面介绍一下Attention金字塔，源于Pyramid Pooling技巧。关于Pyramid Pooling，推荐大家阅读何凯明的《Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition》，示意图如下：

输入的图像经过卷积层得到Feature maps，然后经过Spatial Pyramid Pooling层得到不同大小的pooling结果。举例而言，上图最右边的pooling是对每个通道进行全局池化得到256个值（有256个通道），中间的是对每个特征层划分为四个区域进行Pooling，故而得到4 * 256个值，其余类似。然后将各个层次得到的pooling的结果拼接成一个向量。

关于Pyramid Attention，类似于Pyramid Pooling，可以使用多个层次的Attention，然后将向量拼接起来得到一个向量，比如ACM MM 2018提出的《Attention-based Pyramid Aggregation Network for Visual Place Recognition》：

Co Attention

在多种任务中，可能涉及到成对的输入，比如Video Object Segmentation或者Question Answering，每个输入经过网络会得到一组向量，然后两组向量互相Attend就是Co Attention。

比如在CVPR 2019的文章《See More, Know More: Unsupervised Video Object Segmentation With Co-Attention Siamese Networks》里面，针对Video Segmentation任务，对两帧图片经过Siamese Networks进行处理得到相应的多个通道的表示 

然后根据行和列分别做Softmax得到权值，接下来把Attention的结果和原有特征拼接，即是CoAttention的框架：

Cross Attention

Cross Attention类似于Co Attention，比如最近的NeurIPS 2019的《Cross Attention Network for Few-shot Classification》：

其中Query和Support Set里面的每一张图像都经过一个网络提取特征，得到相应的 的特征，然后互相Attend得到重组的特征，再计算相似度进行Meta Train。

Soft vs. Hard Attention

正如上面所述，Attention是基于一组权值进行加权的过程。一般情况下，权值都是基于Softmax之后的连续值，即Soft Attention；但是，为了更好地排除一些不必要的干扰，可以使用基于更为稀疏甚至One-Hot的权值进行加权，即Hard Attention。

关于Soft和Hard的区别在ICML 2015的《Show, Attend and Tell: Neural Image Caption Generation with Visual Attention》里面就有提到过。Hard Attention更难训练，因为优化过程涉及离散权值的优化，因此文章采用了强化学习的方法进行优化，即REINFORCE。

在Image Caption当中，输入是一张图片，输出是一句话。记图片特征为 ，生成的句子目标为 ，那么优化目标就是最大化似然 ，这里的 是一个序列。然后记 为隐变量，指的是Attend到的位置，比如 代表着生成第 个词的时候Attend到的是第 个位置。那么优化目标的推导为：

在训练过程 步中，根据图片特征 以及之前的 生成一个多项式概率分布的参数 ，记生成过程所需要的参数为 ：

然后根据多项式分布进行采样：

根据生成的Attend的位置 ，结合对应的图像特征，生成句子，计算似然 ，然后计算损失，注意这部分参数为 。对优化目标求导可以得到（其中 ）：

采用蒙特卡洛法估计可以得到梯度的估计值：

以上梯度包括两部分，第一部分是对多项式分布参数的优化，即 ，可以看出是REINFORCE进行优化的，这里的回报 ；第二部分优化的是生成句子的过程，参数为 ，和正常优化一样，使用的是似然函数的梯度。

值得一提的是本文中的Hard的效果会比Soft略好：

Global vs. Local Attention

Global Attention是全局的Attention，利用的是所有的序列计算权重，但如果序列长度太长，那么基于Soft的权值会比较趋向于小的权值，所以此时需要Local Attention进行处理，即事先选择一个要计算Attention的区域，可以先得到一个指针，类似于Pointer Net。

Local Attention是介于Soft和Hard Attention的一种机制，在文章EMNLP 2015 《Effective Approaches to Attention-based Neural Machine Translation》中就有介绍到，其实很简单，关于Global和Local的Attention用下面两幅图可以很好地解释清楚：

图中蓝色的是Encoder的序列，棕色的是Decoder的序列，左边是全局Attention，根据 和所有Encoder的序列计算权值 ，然后进行加权得到 ；右边是Local Attention，则是先根据 生成一个Aligned position，然后选择部分（右图虚线选择了三个）进行加权。

Compositional Attention

在NeurIPS 2019上，《Compositional De-Attention Networks》提出了下面的一种框架：

文章综合利用了两种相似度，分别是：Pairwise Affinity & Distance Dissimilarity。

Pairwise Affinity指的是 是Encoding的函数， 是缩放因子。然后最后的Attention计算方式为：

所以可以看出CoDA的核心就是在于构造相似度，采用了两种计算方法和两种不同的激活函数进行复合。

Dual Attention

其实Compositional Attention的思想并不是在NeurIPS 2019才出现，很多之前的文章会采用多种形式的Attention来进行构造模型。比如Local Attention和Global Attention的结合，卷积网络里面Positional Attention和Channel Attention的结合等等。

比如文章CVPR 2019 的《Dual Attention Network for Scene Segmentation》：

以及文章RecSys 2017 《Interpretable Convolutional Neural Networks with Dual Local and Global Attention for Review Rating Prediction》：

四、总结

总结一下，Attention的本质就是加权，权值可以反应模型关注的点，随着各种技术的发展，Attention的变体越来越多，并且被逐渐应用到计算机视觉、自然语言处理、小样本学习、推荐系统等等多种任务上。

好消息！

小白学视觉知识星球

开始面向外开放啦