注意力机制----transformer中注意力机制_transformer注意力机制

通过一张PPT快速了解positional  embedding:

【论文复现代码数据集见评论区】Transformer(Attention is all you need)自然语音处理必读论文，为你提供论文复现+代码精讲_哔哩哔哩_bilibili

12分55秒

初步印象:

• 目的: 使用q在k中找到v的值
• 总体形式: 里面: 矩阵相乘+归一化+外面: 和向量相乘(解释: 向量的行数应该就是要用注意力分配权重的id数)

注意力机制的计算：

方式一: 以句子翻译+q,k,v理解:

• 最初的embedding: 文本向量+位置向量
• 矩阵的行数: 字数
• batch_size: 句子个数 

• 三个需要通过参数学习的矩阵: q,k,v.      大小: 行和列都是embedding的大小 

• 初始的embedding通过  三个权重矩阵 之后 得到三个  attention中最为重要的要素:  q,k,v

• 将q,k,v分割, 得到multi-head:  将embedding的那个方向给切了

• multi-head到底有什么作用?  : 相当于CNN中的卷积核, 提取多重语义
• Q*K: 让每个词 和 其它各个词相乘: 得到 : 一个词对应其它词的权重表(当然,肯定是自己和自己关系最密切)
• 因为它是矩阵, 所以实现了并行, 寻找一个词和其它的词的关系, 不用像RNN那样先处理一个词, 再处理一个词

• 按行归一化
• 和v  相乘(每一行代表一个字,  即给每一个字赋权重)\
• 每个字向量都含有当前句子中所有字向量的信息

• 处理多头attention: 将每个头的输出直接 拼接起来 经全连接层(线性变换, 改变矩阵形状), 得到最终输出

• attention mask: 有些部分为0, 但是在归一化的时候, 直接弄成0分子会成1, 所以会设置成负无穷, 分子就会是0???

方式二: 以q, a, c, s理解:

• 要计算s_j就要先计算c_j, 要计算c_j就要先计算a_j:  

• 将decoder当前状态s_j与m个h_i做运算得到权重向量（权重的具体计算见下）

• h_i，s_j 各自乘以权重矩阵W_K,W_Q

• k,q进行内积

• 经softmax

• 一共有三个“权重矩阵”：

• 在seq2seq版本注意力机制中，c的更新依靠: a和h（encoder状态）

• 在transformer版本的注意力机制中，c的更新依靠：a和v

• 

---

---

---

---

---

---

---

---

去掉RNN层，只保留attention层：

• transformer的组成：attention层 + self attention层 + 全连接层

• 目标是得到去掉RNN只留有attention的模型

  • encoder输入：x_i

  • decoder输入：通过所有x_i + x'_i得到下一个x'_i

• 对于encoder输入向量X：分别乘以权重矩阵W_K和W_V：得到k，v

• 对于decoder输入值x'：乘以权重矩阵W_Q : 得到q 

• 用一个q和每个k可以得到：a

• a和v做向量内积可以得到c

• 对接下来的decoder输入都是同理

• 所以，就会得到每一个decoder输入的c，作为attention层的输出

• 整体看来：就是用k,q,v得到了c

• 即，c是x和x'的函数

• 可以在输出的基础上加softmax，加分类器

• 将上一个输出作为下一个输入

• 可以将attention网络看成一个C=Attn（X，X‘）函数

• 接下来说明self-attention

• attention和self-attention的区别就是：

  • attention用于seq2seq模型，是encoder-decoder的结构，有两方面输入

  • self-attention用于单个模型，只有一方面输入

• self-attention网络，对于输入x有分别乘以三个权重矩阵之后，得到三个输出

• 所以，对于每一个x都有三个输出

• a1：一个q+所有k

• 同理，算出所有的a

• a,v点成得到c

• 同理，算出其它c

• self-attention的输出就是c

• 同样地，可以将self-attention网络看成是一个C=Attn（X，X）函数

• 15：attention

• 16: self-attention

• 17:transformer