注意力机制Attention（一）-李沐动手学深度学习

注意力机制

一、注意力提示

1.生物学中的注意力提示

非自主性提示是基于环境中物体的突出性和易见性。假如你面前有五个物品： 一份报纸、一篇研究论文、一杯咖啡、一本笔记本和一本书，如下图所示。 所有纸制品都是黑白印刷的，但咖啡杯是红色的。 咖啡杯最突出显眼， 不由自主地引起人们的注意。 所以你把视力最敏锐的地方放到咖啡上。

自主性提示：喝咖啡后，你觉得精力旺盛，想要看一本书。此时你的目光主动搜索并且聚集到了书上，如下图。与非自主性提示不同，此时选择书是受到了认知和意识的控制， 因此注意力在基于自主性提示去辅助选择时将更为谨慎。 受试者的主观意愿推动，选择的力量也就更强大。

2.查询、键和值

自主性的与非自主性的注意力提示解释了人类的注意力的方式， 下面通过这两种注意力提示用神经网络来设计注意力机制的框架。

卷积、全连接、池化层基本只考虑非自主性提示，选择都偏向于感官输入，以池化为例：池化只考虑把窗口中最大的值抽取出来，只要是最大的值就行。

在注意力机制的背景下，将自主性提示称为查询（query）。 给定任何查询，注意力机制通过注意力池化（attention pooling） 将选择引导至感官输入（sensory inputs，例如中间特征表示）。 在注意力机制中，这些感官输入被称为值（value） ，更通俗的解释每个值都与一个键（key）配对， 即感官输入的每个非自主提示都与一个值（value）匹配，注意力机制通过查询选择出我们需要的key-value。

如下图所示可以设计注意力池化， 以便给定的查询（自主性提示）可以与键（非自主性提示）进行匹配， 这将引导得出最匹配的值（感官输入）。

二、 注意力汇聚：Nadaraya-Watson 核回归

考虑一个回归问题：给定的成对的“输入－输出”数据集{(x1,y1),…,(xn,yn)},如何学习f来预测任意新输入x的输出y ^ = f ( x ) ？

根据下面的非线性函数来生成一个数据集，加入的噪声项为ϵ,其中ϵ 服从均值为0标准差为0.5 的正态分布

​ yi=2sin(xi)+xi**0.8+ϵ

1.平均池化（汇聚）

基于平均汇聚来计算所有训练样本输出值的平均值：

如下图所示：黄色的点为随机生成50个带噪（xi,yi）样本，蓝色线Truth为不带噪声项ϵ的真实函数曲线，紫色线Pred为带噪样本yi经过平均池化后，学习得到的预测函数曲线，可以看到预测函数和真实函数差距较大

2.非参数注意力池化（汇聚）

平均池化忽略了输入xi，更好的方法是根据输入的位置对输出yi进行加权，下式称为Nadaraya-Watson核回归：

K是（核kernel）衡量x（查询）与xi（候选物）距离的函数，将距离归一化作为权重，表示xi的相对重要性。将权重乘以yi求和，即可选择出跟查询x相近的（xi,yi）。

受此启发我们可以从注意力机制框架的角度重写Nadaraya-Watson核回归公式，成为一个更加通用的注意力汇聚（attention pooling）公式：

其中x是查询，(xi,yi)是键值对，注意力汇聚是yi的加权平均，将查询x核键xi之间的关系建模为注意力权重（attention weight）α (x ,xi) ，这个权重将分配给每一个对应值yi.对于任何查询，模型在所有键值对注意力权重都是一个有效的概率分布：他们是非负的，并且总和为1

为了更好地理解注意力汇聚，考虑一个高斯核（Gaussian kernel），其定义为：

将高斯核代入Nadaraya-Watson核回归公式可以得到：

**如果一个键xi越是接近给定的查询x，那么分配给这个键对应值yi的注意力权重就会越大，也就获得了更多注意力。**注意：Nadaraya-Watson核回归是一个非参数的注意力汇聚。

由下图可知，根据注意力汇聚模型绘制的预测函数更加接近真实的函数。

3.带参数注意力池化（汇聚）

非参数的Nadaraya-Watson核回归具有一致性（consistency）的优点：如果有足够的数据，此模型会收敛到最优结果。但是我们也可以将可学习的参数集成到注意力汇聚中，如下面公式。
在下面的查询x和键xi之间的距离乘以可学习参数w：

经过训练得到更加贴合的曲线：

转载修改自

https://blog.csdn.net/flyingluohaipeng/article/details/125734409