深度学习理论基础（六）Transformer多头自注意力机制_多头注意力模块

学习目录：

深度学习理论基础（一）Python及Torch基础篇
深度学习理论基础（二）深度神经网络DNN
深度学习理论基础（三）封装数据集及手写数字识别
深度学习理论基础（四）Parser命令行参数模块
深度学习理论基础（五）卷积神经网络CNN
深度学习理论基础（六）Transformer多头自注意力机制
深度学习理论基础（七）Transformer编码器和解码器

  
  深度学习中的注意力机制（Attention Mechanism）是一种模仿人类视觉和认知系统的方法，它允许神经网络在处理输入数据时集中注意力于相关的部分。通过引入注意力机制，神经网络能够自动地学习并选择性地关注输入中的重要信息，提高模型的性能和泛化能力。
  下图 展示了人类在看到一幅图像时如何高效分配有限注意力资源的，其中红色区域表明视觉系统更加关注的目标，从图中可以看出：人们会把注意力更多的投入到人的脸部。文本的标题以及文章的首句等位置。而注意力机制就是通过机器来找到这些重要的部分。

一、注意力机制

1. 缩放点积注意力（Scaled Dot-Product Attention）

  缩放点积注意力（Scaled Dot-Product Attention）是注意力机制的一种形式，通常在自注意力（self-attention）机制或多头注意力机制中使用，用于模型在处理序列数据时关注输入序列中不同位置的信息。这种注意力机制常用于Transformer模型及其变体中，被广泛用于各种自然语言处理任务，如机器翻译、文本生成和问答系统等。
  常规注意力机制中（k==v)。

● 计算公式

● 原理

假设输入：给定一个查询向量（query）、一组键向量（keys）和一组值向量（values）。

（1）Dot-Product 计算相似度：通过计算查询向量query与键向量keys之间的点积，得到每个查询与所有键的相似度分数。然后将这些分数进行缩放（scale）–除以根号下d_k,以防止点积的值过大，从而导致梯度消失或梯度爆炸。
（2）Mask 可选择性 目的是将 padding的部分 填充负无穷，这样算softmax的时候这里就attention为0，从而避免padding带来的影响.
（3）Softmax归一化：对相似度分数进行softmax归一化，得到每个键的权重，这些权重表示了对应值向量的重要程度。
加权求和：使用这些权重对值向量进行加权求和，得到最终的注意力输出。

●代码

def attention(q, k, v, d_k, mask=None, dropout=None):
    
    scores = torch.matmul(q, k.transpose(-2, -1)) /  math.sqrt(d_k)
    
    if mask is not None:
        mask = mask.unsqueeze(1)
        scores = scores.masked_fill(mask == 0, -1e9)
    
    scores = F.softmax(scores, dim=-1)
    
    if dropout is not None:
        scores = dropout(scores)
        
    output = torch.matmul(scores, v)
    return output

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

2. 多头自注意力机制框图

自注意力中，一般（Q=K=V），自身的Q、K、V。
  多头注意力机制是在 Scaled Dot-Product Attention 的基础上，分成多个头，也就是有多个Q、K、V并行进行计算attention，可能侧重与不同的方面的相似度和权重。

  我们定义三个权重矩阵 w_query、w_key、w_value，使用这三个矩阵分别对所有的字向量进行三次线性变换，于是所有的字向量又衍生出三个新的向量 q,k,v。然后将q，k，v切割成多个注意力头，分别计算注意力得分，然后我们将所有的注意力头再合并得到输出。

● 具体代码

import torch
import torch.nn as nn
import numpy as np
import torch.nn.functional as F
 
class MultiHeadAttention(nn.Module):
	#embedding_dim：输入向量的维度，num_heads：注意力机制头数
    def __init__(self, embedding_dim, num_heads):
        super(MultiHeadAttention, self).__init__()
        self.num_heads = num_heads       #总头数
        self.embedding_dim = embedding_dim   #输入向量的维度
        self.d_k= self.embedding_dim// self.num_heads  #每个头 分配的输入向量的维度数
        self.softmax=nn.Softmax(dim=-1)
 
        self.W_query = nn.Linear(in_features=embedding_dim, out_features=embedding_dim, bias=False)
        self.W_key = nn.Linear(in_features=embedding_dim, out_features=embedding_dim, bias=False)
        self.W_value = nn.Linear(in_features=embedding_dim, out_features=embedding_dim, bias=False)
        self.fc_out = nn.Linear(embedding_dim, embedding_dim)
        
   #输入张量 x 中的特征维度分成 self.num_heads 个头，并且每个头的维度为 self.d_k。
	def split_head(self, x, batch_size):
		x = x.reshape(batch_size, -1, self.num_heads, self.d_k)
		return x.permute(0,2,1,3)   #x  (N_size, self.num_heads, -1, self.d_k)
	     
 
    def forward(self, x):
     	batch_size=x.size(0)  #获取输入张量 x 的批量（batch size）大小
        q= self.W_query(x)  #自身的q
        k= self.W_key(x)  #自身的k
        v= self.W_value(x) #自身的v
        
       #使用 split_head 函数对 query、key、value 进行头部切分，将其分割为多个注意力头。
		q= self.split_head(q, batch_size)
		k= self.split_head(k, batch_size)
		v= self.split_head(v, batch_size)
		
		##attention_scorce = q*k的转置/根号d_k
 		attention_scorce=torch.matmul(q, k.transpose(-2,-1))/torch.sqrt(torch.tensor(self.d_k, dtype=torch.float32))
        attention_weight= self.softmax(attention_scorce)
 
        ## output = attention_weight * V
        output = torch.matmul(attention_weight, v)  # [h, N, T_q, num_units/h]
        output  = out.permute(0,2,1,3).contiguous() # [N, T_q, num_units]
 		output  = out.reshape(batch_size,-1, self.embedding_dim)
		output  = self.fc_out(output)
		
        return output

if __name__ == '__main__':
		# 创建一个 MultiHeadAttention 对象
		embedding_dim = 512  # 输入向量的维度
		num_heads = 8  # 注意力机制头数
		multihead_attn = MultiHeadAttention(embedding_dim, num_heads)
		
		# 创建一个输入张量（假设输入张量的维度为 [batch_size, seq_len, embedding_dim]）
		batch_size = 16
		seq_len = 20
		input_tensor = torch.randn(batch_size, seq_len, embedding_dim)
		
		# 使用 MultiHeadAttention 进行前向传播
		output_tensor = multihead_attn(input_tensor)

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62

二、pytorch中的多头自注意力机制模块

  nn.MultiheadAttention是PyTorch中用于实现多头注意力机制的模块。它允许你在输入序列之间计算多个注意力头，并且每个头都学习到了不同的注意力权重。
  创建了一些随机的输入数据，包括查询（query）、键（key）、值（value）。接着，我们使用multihead_attention模块来计算多头注意力，得到输出和注意力权重。
  请注意，你可以调整num_heads参数来控制多头注意力的头数，这将会影响到模型的复杂度和表达能力。

import torch
import torch.nn as nn

# 假设我们有一些输入数据
# 输入数据形状：(序列长度, 批量大小, 输入特征维度)
input_seq_length = 10
batch_size = 3
input_features = 32

# 假设我们的输入序列是随机生成的
input_data = torch.randn(input_seq_length, batch_size, input_features)

# 定义多头注意力模块
# 参数说明：
#   - embed_dim: 输入特征维度
#   - num_heads: 多头注意力的头数
#   - dropout: 可选，dropout概率，默认为0.0
#   - bias: 可选，是否在注意力计算中使用偏置，默认为True
#   - add_bias_kv: 可选，是否添加bias到key和value，默认为False
#   - add_zero_attn: 可选，是否在注意力分数中添加0，默认为False
multihead_attention = nn.MultiheadAttention(input_features, num_heads=4)

# 假设我们有一个query，形状为 (查询序列长度, 批量大小, 输入特征维度)
query = torch.randn(input_seq_length, batch_size, input_features)

# 假设我们有一个key和value，形状相同为 (键值序列长度, 批量大小, 输入特征维度)
key = torch.randn(input_seq_length, batch_size, input_features)
value = torch.randn(input_seq_length, batch_size, input_features)

# 计算多头注意力
# 返回值说明：
#   - output: 注意力计算的输出张量，形状为 (序列长度, 批量大小, 输入特征维度)
#   - attention_weights: 注意力权重，形状为 (批量大小, 输出序列长度, 输入序列长度)
output, attention_weights = multihead_attention(query, key, value)

# 输出结果
print("Output shape:", output.shape)
print("Attention weights shape:", attention_weights.shape)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38