王树森Attention与Self-Attention学习笔记

目录

• Seq2Seq + Attention
  • Attention的原理
    • 方法一（Used in the original paper）
    • 方法二（more popular，the same to Transformer）
  • Summary
• Self Attention
  • SimpleRNN与Attention当前状态计算对比
• Reference

Seq2Seq + Attention

Seq2Seq模型，有一个Encoder和一个Decoder，默认认为Encoder的输出状态h_m包含整个句子的信息，作为Decoder的输入状态s_0完成整个文本生成过程。这有一个严重的问题就是，最后的状态不能记住长序列，也就是会遗忘信息，那么Decoder也就无法获得此信息。

用传统的Seq2Seq模型，当句子长度超过20个单词是，BLEU Score（机器翻译评价指标）就会下降；但是如果用上Attention，就会如下图红色曲线一样，即使输入序列很长也能保持较高的准确率。

使用Attention解决机器翻译的原文为：Bahdanau, Cho, & Bengio, Neural machine translation by jointly learning to align and translate. In ICLR, 2015.

Attention能够极大提升Seq2Seq模型的准确率；用了Attention，Decoder每次更新状态的时候都会看一下Encoder的所有状态，这样子就不会遗忘了；Attention还可以告诉Decoder应该关注Encoder的哪个状态，这就是Attention名字的由来。Attention有一个极大的缺点是，计算量很大。

• Attention tremendously improves Seq2Seq model
• With attention, Seq2Seq model does not forget source input
• With attention, the decoder knows where to focus
• Downside: much more computation

Attention的原理

Attention使用\(c_i\)整合\(h_1, h_2, ..., h_m\)的信息，因此Attention机制可以解决LSTM遗忘的问题。

\(c_0 = \alpha_1h_1 + \alpha_2h_2 + ... + \alpha_mh_m\)，其中，\(\alpha_i\)表示\(h_i\)和\(s_0\)的相关性，称为权重。

相关性的计算方法有两种：

• 方法一（Used in the original paper）

求\(h_i\)和\(s_0\)的相关性，将\(h_i\)和\(s_0\)进行Concatenate，然后乘一个参数矩阵\(W\)，结果进行\(tanh\)约束到(-1, 1)之间，然后再乘以一个\(v^T\)，并对得到的结果进行Softmax处理。

• 方法二（more popular，the same to Transformer）

求\(h_i\)和\(s_0\)的相关性，分为三步进行计算：

1. Linear maps
   • \(k_i = W_K · h_i\)
   • \(q_0 = W_Q · s_0\)
2. Inner product
   • \(\widetilde{\alpha_i} = k^T_{i}q_0\)
3. Normalization
   • \([\alpha_1, ..., \alpha_m] = Softmax([\widetilde{\alpha_1}, ... \widetilde{\alpha_m}])\)

计算得到\(c_0\)后，将\(A'\)的三个输入进行concatenate，作为输入得到状态\(s_1\)。每一个状态\(s_i\)对应一个Context向量\(c_i\)来表示\(s_i\)与\(H\)的相关性。

假设Encoder有m步，Decoder有t步，就需要计算mt次权重，每次权重计算都要计算m个\(\alpha\)的值。所以，Attention的时间复杂度是mt，也就是Encoder和Decoder状态数量的乘积。

Attention在机器翻译任务的可视化，可以看到Decoder与Encoder的每个状态都相关，但是会重点关注某个或某些状态。

Summary

优点：

• Standard Seq2Seq model：decoder只关注其当前状态
• Attention：decoder还会关注encoders的所有状态解决遗忘问题并且告诉decoder哪里需要重点关注

缺点：高时间复杂度（假设源序列的长度为m，目标序列的长度是t）

• Standard Seq2Seq：\(O(m + t)\)
• Seq2Seq + attention：\(O(mt)\)

Self Attention

之前RNN里面，使用\(h_4\)和\(x_5\)计算得到\(h_5\)，使用self-attention机制，当前状态\(h_5\)的计算依赖由\(h_4\)变为\(c_4\)。\(c_4 = \alpha_1h_1 + \alpha_2h_2 + \alpha_3h_3 + \alpha_4h_4\)，其中，\(\alpha_i\)计算的是\(h_4\)与\(h_i\)之间的相关性，计算方式前面已经讲过。因为这里会计算自己与自己的相关性，因此称为self-attention。

• SimpleRNN与Attention当前状态计算对比

SimpleRNN状态\(h_5\)的计算：

\(h_5 = tanh(A·{x_5\brack h_4} + b)\)

Self-Attention状态\(h_5\)的计算：

\(h_5 = tanh(A·{x_5\brack c_4} + b)\)

Reference

王树森的Attention机制讲解