第六节：自注意力机制与Bert_bert中的自注意力机制

1.字的表示

图片可以用矩阵表示，那么对于文字，我们可以采用向量。

1.1.One-hot Encoding

需要使用到的汉字的个数设为n左右，这意味着我们需要将向量设置为n*1的维度，要想表示某个汉字，就把对应下标的值置为1，其余为0，显然，这n维的向量有些过长，字与字之间关系平等，无法得到逻辑关联性。

改进：

让模型自己学习如何编码，即把内容放到一个全连接网络中，如21128维的向量经过一层之后变成了768维的向量，大幅度减少了维度。

1.2.Word Embedding

不同类相距远，相同类相聚近。但现在使用较少，归根结底还是要用One-hot Encoding表示方法。

2.RNN和LSTM

2.1RNN（循环神经网络)

每个词都有一个输出，它们经过的模型是同样的。当遇到相同的字表意不同的情况时，便难以作出判断，为了解决这个问题，引入了RNN。RNN关注了每个神经元在时间上的成长变化，可以产生对先前出现过的文字内容的有序的记忆。

每一段文字我们都会输入并输出一个向量，它记录了顺序和上下文情况。如下例，当读到第一个‘爱’字时，判断出‘爱’为名词，而到下一个‘爱’字时，由于传入的‘传家宝’记录了之前的情况，经由模型机器认为这个‘爱’为动词。

然而，当文本量过大时便很难得到正确的答案，如下图，当问到谁结下了不解之缘时，由于每一个文字都要传入一个向量，此时的向量早已面目全非找不到‘我’的痕迹。为了防止‘传家宝’被‘污染’，我们引入了长短期记忆(LSTM)。

2.2LSTM(长短期记忆)

简单的RNN不能记忆长时间的信息，而LSTM则有取舍地记忆信息，选择留下更重要的文字。LSTM引入‘门’，0表示舍去，1表示留下。

遗忘门：决定丢弃多少信息

记忆门：决定保留记忆多少信息

输出门：决定多大程度输出信息

3.Self-attention

上述的RNN与LSTM必须依赖那个‘传家宝’向量，只能一代接一代执行，速度太慢。Self-attention（自注意力机制）可以并行执行，不需要等待这么久。抽象的说，self-attention就是输入若干向量得出相应的向量。

3.1何为注意力

每一个字都有注意力值，表示某一个字的权重即应该多么关注某件事/某个字。 如下图：表示了a1对所有事件的关注度。

3.2注意力计算

一种想法是，要想求a1对a2的注意力，就将二者向量相乘即可。但这样做乘起来永远是一个值，"吃苹果"和"用苹果"中"苹果"的值都是一样的，不会根据前面动词不同而变化，模型没有参与感。

故此，我们用a1乘一个方阵Wq得到向量q，a2乘一个方阵Wk得到向量k，这个分别将a1，a2乘方阵的过程便是经过一个全连接的过程。最终将q与k求内积得到a1与a2的目标值，机器学习的过程就体现在两个矩阵上，他们作为中间商。

q表示query询问，k表示key关键值。若将q理解为扫码器，那k就是二维码。注意力的计算过程就是分别用a1, a2, a3, a4的扫码器去扫含自己在内的所有二维码并求内积。最终得到到的若干个数，~就表示所有事件对a1的注意力，再把~代入Softmax函数归一化求得概率分布，使它们的和为1。

此外，还有一个value，计算方式也为vi=ai*Wv，最终把v与注意力相乘求和得到a1的输出b1，剩下的同理。

归结上述过程，每一个文字由一个向量表示，与相乘得到向量。不妨假设都是768*1的列向量，当前有四个文字由表示，是768*768的方阵，那么每一列q，k，v所组成的矩阵Q， K， V可以表示为:

不难得出，它们都是768*4的矩阵。根据上述流程，k与q求内积后经Softmax函数处理后与各自的v向量分别相乘求和得到最终结果，即， ， 。其中A表示~16个数组成的4*4矩阵，A'将A中元素全部归一化成概率，output中记录着4列768维的向量，每一列分别表示一个字的输出内容。

可见，最终的矩阵维度也为768*4与输入一致。我们自然可以将上述过程重复执行已得到更准确的结果。

3.3多头注意力机制（Multi-Head Attention）

多头注意力主要用于处理序列数据，如自然语言处理中的文本或语音识别任务。它的核心思想是在序列的不同位置上分别计算注意力权重，并将这些权重应用于序列的各个部分，从而能够捕捉到序列内部的各种依赖关系。

多头注意力机制可以提高整个计算过程的并行性，相比于单一的注意力机制，对一些特定的特征不是那么的依赖。

关于多头注意力的具体内容见下一章节。

4.位置信息

对于很多语句，他们需要的文字相同，可是顺序不同。而Self-attention不像RNN等机制，当每一个bi值相加，同样的文字得到同样的和，故每一个文字都是等价的，看不出顺序关系。

为了解决这个问题，每一个文字配了一个位置向量，与一个表示文字的向量的维度一致，并将表示文字的向量与位置向量直接相加，相加的结果就是Self-attention的输入向量。

5.Bert

5.1Bert的结构

现在我们能够理解transformer图左半部内容了。Input Embedding是输入的文字对应的向量；Positional Encoding则是位置信息向量，通过与Input Embedding相加得到含有位置信息的结果;Multi-Head Attention则是多头注意力机制，其中输入的三个箭头分别代表q,k,v；之所以输入部分会连接到输出的Add&Norm，是因为残差连接，解决梯度消失和网络退化的问题；Feed Forward就是几层全连接，多层感知器（MLP）。以上被框住的区域就是一层，N*代表有很多个这样的层。

下图左侧部分，即transformer的左侧就是Encoder编码区，把输入变成一个特征；transformer的右侧为Decoder解码器把特征转为输出生成文字。Bert就是左侧部分的一个经典模型，而右侧也有一个经典模型名为GPT。

Bert的Inputs的内容如下：Token Embeddings表示输入文本的向量形式，注意开始结束符；Segement Embeddings表示该文字属于哪一句；Position Embeddings则是位置信息。

Bert的整体结构大致如下：embedding代表输入内容input；bert layers则是若干个self-attention层； Bert就是为了得到特征，而pooler_output（池化输出）就可以理解成该句子语义的特征向量并降维。

5.2迁移学习

Bert就是一个特征提取器，如下图的过程，由前人呕心沥血在庞大的数据中分类训练得到的一个特征提取器，效果极好，这就是预训练。我们则把这个特征提取器取来提取特征做出分类，我们只需要将某些特征分为11类，那么需要更改部分内容，这个过程叫做微调。