self-attention_self attention

self-attention简介

什么是self-attention?
self-attention顾名思义，就是自注意力机制，简单理解，就是将输入乘以一个矩阵（attention mask),获得输出的过程。那么这个attention mask怎么获得呢？attention mask也是根据输入本身得到的，1.可以通过对输入进行神经网络变换得到；2。大部分通过点积的方式（矩阵相乘，即经典的q,k,v);
self-attention的目的是什么？
其目的在于：1.融合全局信息对当前的像素信息进行编码；2.对于全局信息赋予不同权重；
本质self-attention在图像算法的应用是为了弥补CNN的不足；CNN是基于卷积的深度网络，其有哪些不足呢？1.卷积核的感受野是有限的，一定下采样范围内只能覆盖到局部像素的信息；2.卷积核是参数共享的，只能对卷积核大小范围内的像素做到不同注意力，整体范围内是参数共享的；当然不可否认，卷积这种方式也具有其天然的优势：1.参数量少，易于训练；2.平移不变性的特征很适合图像任务；

self-attention详细介绍

首先，将输入X乘以不同的系数，我们可以得到Q、K、V

接下来，Q、K矩阵相乘以后，可以得到attention系数矩阵，将其进行缩放再进行softmax,得到的结果再乘以value值。

那么我们如何理解上述过程呢？
在机器翻译中，我们要根据当前词跟所有词之间的关系对该词进行编码，输出该词的翻译；
在图像任务中，我们要根据该像素与所有其他像素的关系对当前像素进行编码，输出分类；
所以本质上，我们需要找到当前单个输入与其他所有输入的关系，这个关系不一定对偶的，为了增加关系的丰富性，A相对于B的关系和B相对于A的关系可以是不同的；
其中Q是query,理解为索引，用query去寻找自己跟别人的关系，key是关键字，用来给别人寻找关系用的。Q、K为什么要相乘呢？
这个问题首先要有一个数学的先验知识，两个向量a和b同向，a.b=|a||b|；a和b垂直，a.b=0；a和b反向，a.b=-|a||b|。所以两个向量的点乘可以表示两个向量的相似度，越相似方向越趋于一致，a点乘b数值越大。Q、K相乘得到的是个系数，这个系数要乘上V,也就意味着二者相关性越强，加上这个value的权重值就越大。
求矩阵相关性的方式有：
1.求两者的向量点积、求两者的向量Cosine相似性或者通过再引入额外的神经网络来求值。
如下图所示：其中O1,O2,O3都是对输入a1的编码输出；

Q 、K相乘的结果为什么要除以scale?因为接下来要进行softmax,scale是为了让数据分布尽量在softmax梯度较大的位置；为什么要进行softmax呢？因为Q、K相乘可以得到系数矩阵，我们要将该系数矩阵进行归一化；

关于为什么要除以scale