「这是我参与2022首次更文挑战的第29天，活动详情查看：2022首次更文挑战」。

导语

本文为我之前在CSDN平台上的一篇博客记录。原链接为：NLP学习笔记（八）注意力机制（Attention）

注意力机制（Attention）

这节课我们学习注意力机制（Attention），它可以大幅度提升机器翻译的效果。

Revisiting Seq2Seq Model（复习Seq2seq模型）

我们首先来复习一下上节课的内容。

seq2seq模型由一个编码器Encoder和一个解码器Decoder组成。 Encoder输出最后一个状态向量$h_m$作为对之前全部输入的总结。Decoder RNN的初始状态$s_0=h_m$，通过$h_m$，Decoder就知道了这句话的信息。然后Decoder就像一个文本生成器一样，逐字进行翻译。

可惜Seq2seq模型有一个明显的缺陷就是当输入句子很长时，Encoder会记不住完整的句子，Encoder最后一个状态可能会漏掉一些信息。

如果拿Seq2seq模型做机器翻译，会得到这样的结果。

横轴是句子长度，纵轴是BLUE score是评价机器翻译好坏的标准，值越高说明越准确。 从上图可以看到，如果不用Attention，大概20个词后，BLUE score就会往下降。用Attention后，即使句子很长也不会明显下降。

Attention for Seq2Seq Model（在Seq2seq模型上应用Attention）

Attention是2015的ICLR上的这篇论文提出的，使用Attention后，Decoder每次在更新状态时都会再看一眼Encoder的所有状态，这样就不会遗忘。Attention还可以告诉Decoder应该关注Encoder的哪个状态，这也是Attention名字的由来。Attention可以大幅度提高准确率，但缺点是计算量很大。

下面简要介绍Attention的原理。

在Encoder结束工作之后，Attention和Decoder同时开始工作。

Decoder的初始状态是Encoder的最后一个状态$s_0=h_m$，我们同时保留Encoder的所有状态，然后计算$s_0$和每一个状态的相关性。我们用

$\alpha_i = align(h_i, s_0)$

来表示Encoder第i个状态和Decoder第0个状态的相关性。将结果记为$\alpha_i$，被称为权重Weight。

Encoder有m个状态，所以一共算出m个$\alpha$，它们都是介于0到1之间的实数并且加和为1。下面我么来看一下具体怎么计算$\alpha$。

有很多方法可以用来计算$h_i$和$s_0$的相关性。第一种方法如下：

我们首先把$h_i$和$s_0$做concatenation得到一个更大的向量。然后求矩阵W和这个向量的乘积，得到一个向量。再把双曲正切函数应用到向量的每一个元素上，把每一个元素值都压缩到-1到+1之间。双曲正切函数的输出还是一个向量。最后计算向量v和刚算出来的向量的内积。两个向量的内积是个实数，记为$\widetilde{\alpha}_i$。

这里的矩阵W和向量v都是参数，需要从训练数据里学习。

算出这些$\widetilde{\alpha}_1, \widetilde{\alpha}_2, \cdots, \widetilde{\alpha}_m$之后，对他们进行Softmax变换。把输出结果记为$\alpha_1, \cdots, \alpha_m$。这种计算方法是Attention第一篇论文中所提出的。在这之后，有其他很多论文提出了很多计算Attention的方法。

下面介绍一个更流行的方法。 输入还是$h_i$与$s_0$向量，第一步是分别用两个参数矩阵$W_K$和$W_Q$对两个输入做线性变换。得到$k_i$与$q_0$两个向量。这两个参数矩阵要从训练数据中学习。

第二步是计算这两个向量的内积，把结果记为$\widetilde{\alpha}_i$。得到m个结果。

第三步是对得到的结果做Softmax变换，把输出结果记为$\alpha_1, \cdots, \alpha_m$。

这种方法被Transformer模型采用。

以上讲了两种计算$h_i$与$s_0$的相关性的方法，随便使用哪种方法都会得到m个$\alpha$值，这些$\alpha$被称为权重，每个$\alpha$对应一个$h$。利用这些权重$\alpha$，我们可以对这些状态向量求加权平均，结果称为context vector记为$c_0$。每一个Context vector $c$都会对应一个状态$s$。这里$c_0$对应$s_0$。

Decoder读入向量$x^{\prime}$，然后需要把状态更新为$s_1$。那么具体该如何计算呢？我们先来回顾一下，假如不用Attention，那么Simple RNN是这样更新状态的。 新的状态$s_1$是旧的状态$s_0$和输入$x^{\prime}_1$的函数。公式如图所示，把$s_0$和$x^{\prime}_1$做concatenation，然后乘到参数矩阵$A^{\prime}$上，加上偏置Intercept，然后做双曲正切变换后得到状态$s_1$。Simple RNN在更新状态时只需要知道旧的状态$s_0$和输入$x^{\prime}_1$，而并不会去看Encoder的状态。

而使用Attention后，则会用到Context vector $c_0$。 在计算过程中需要把$s_0$、$x^{\prime}_1$和$c_0$做concatenation。之后计算得到状态$s_1$。而$c_0$是知道Encoder的所有状态的，这样一来就解决了长句子遗忘的问题。

下一步我们跟之前一样的计算方式来计算$c_1$，

注意：这里的$\alpha$是需要重新计算得到的。而不能用上一轮的值。

有了$\alpha$之后就可以计算$c_1$，也是用同样的加权平均。

之后计算$s_2$。

以此类推，全部计算。

在计算过程中，我们需要计算很多的$\alpha$，思考一下，为了完成计算所有的c，一共计算了多少$\alpha$呢？

想要计算一个Context vector $c$，需要把Decoder的当前状态输出$s$和Encoder所有m个状态做对比来计算出m个权重$\alpha_1, \cdots, \alpha_m$。而Decoder每一步都会计算m个$\alpha$，所以假设Decoder一共运行了t步后，共计算出了$m*t$个权重。所以Attention的时间复杂度是$m*t$，也就是Encoder与Decoder状态数量的乘积。这个时间复杂度是很高的。

Attention避免遗忘，大幅度提高了准确率。但是代价是巨大的计算。下面举个例子来说明权重$\alpha$的实际意义。

上图下面是Encoder，输入为英语。上面是Decoder，输出为法语。Attention会把Encoder每个状态和Decoder每个状态作对比。得到两者相关性，也就是权重$\alpha$。在图中，用线连接Encoder和Decoder的每个状态，每条线给与一个权重$\alpha$，粗线表示$\alpha$很大，细的表示很小。

例如，图中法语“zone”和英语“area”有很粗的线相连，这条线有很直观的解释。法语里的“zone”就是英语的“area”，在翻译时，Decoder都会看一遍所有的Encoder的状态，而Attention则告诉Decoder重点关注哪些部分。这也是Attention名字的由来。

Summary（总结）

标准的Seq2seq在面对长句子时会忘记之前的状态。而使用Attention之后，每次Decoder都会再看一遍Encoder的所有信息，并不会遗忘。

除了解决遗忘问题，Attention还可以告诉Encoder重点关注哪个单词。

Attention可以大幅度提高 翻译准确度。但缺点是时间复杂度太高了。