【深度学习】(Multi-Head)Self-Attention (多头)自注意力机制 + Pytorch代码实现

---

自注意力机制(Self - Attention)实际上是想让机器注意到整个输入中不同部分之间的相关性

一、序列标注

序列标注（Sequence Labeling）是一种在NLP中很基础但是也很重要的任务。以POS词性标注为例，输入是一个句子，输出是每个单词的词性。即输入和输出长度相等的Seq2Seq问题。

二、全连接神经网络

那么如何解决序列标注问题呢？

最简单的想法是：直接将句子中的每个单词转化为向量，然后分别送入FC（全连接层），最后输出每个的单词的词性。

但是这样的做法有个问题：无法处理多词性的单词。

如下图所示，输入句子为“I saw a saw”，句子中第一个saw为动词，第二个saw为名词，而由于其单词一样，词向量也一样，所以经过FC之后的输出也必然一样，这就导致了采用Fully Connected Network形式的输出中两个saw词性必然相同。

所以，Fully Connected Network 全连接神经网络 无法处理多词性的单词。

三、Window

还有一个方法：利用滑动窗口，每个向量查看窗口中相邻的其他向量的性质。

但是我们输入句子的长度是变化的，而窗口大小是固定的，我们在实验时还需要根据数据找出最长序列，从而确定窗口长度，所以这个方法的问题在于：窗口的大小不好定。

四、Self - Attention 自注意力机制

4.1 简介

通过前面的分析，这就引出了 Self-attention 自注意力机制。

输入整个语句的向量到self-attention中，输出对应个数的向量，再将其结果输入到全连接网络，最后输出标签。如此一来，FC考虑的就是全文的数据，而非窗口内的数据或部分数据

当然，以上过程可多次重复，如下图所示

Google 根据自注意力机制在《Attention is all you need》中提出了 Transformer 架构。

4.2 运行原理

如下图所示，所有输出 $b^i$ 都是考虑了所有 $a^i$ 的

如下图所示，$\alpha$表示$a^1$和$a^4$的关联程度，关联程度越大，在输出中占的权重越大

那么如何计算权重呢？

如下图所示，常用的有两种方法。（第一种最常用）

• 第一种方法（Dot-Product）：将输入的 ${\alpha }^i$ 和 ${\alpha }^j$ 通过两个矩阵 $W^q$ 和 $W^k$ 相乘后得到两个向量 $q$ 和 $k$，权重值即为 $q$ 和 $k$ 的点乘（内积）
• 第二种方法（Additive）：计算 $q$ 和 $k$ 的步骤和第一种方法一样，只是后面是对 $q$ 和 $k$ 进行相加，然后传入 $tanh$ 函数后，与一个矩阵 $W$ 相乘得到最后的权重值
  

用上面的方法，可以让 ${\alpha }^1$ 对包括自身的所有 ${\alpha }^i$ 求权重值，如下图所示：其中 ${\alpha }_{i,j}$ 表示 ${\alpha }^i$ 和 ${\alpha }^j$ 的权重值

求出所有的 ${\alpha }_{i,j}$ 后，就可以使用SoftMax函数对其进行归一化处理（SoftMax只是最常用，不是非用softmax不可，ReLu当然也可以），得到 ${\alpha }_{i,j}^{{}^{\prime }}$

最后，使用 ${\alpha }_{i,j}^{{}^{\prime }}$ 对每个$v^i$ 相乘后再累加，就得到了输出 $b^i$

下图展示了 $b^2$ 的计算过程

4.3 QKV

上述过程可总结为:

• 输入矩阵 $I$ 分别乘以三个 $W$ 得到三个矩阵 $Q,K,V$
• $A=Q{K}^T$ ，经过处理得到注意力矩阵 $A^{\prime }=\mathrm{softmax}\left(\frac{Q{K}^T}{\sqrt{d_k}}\right)$
• 输出 $O=A^{\prime }V$
  即:
  $$\mathrm{Attention}(Q,K,V)=\mathrm{softmax}\left(\frac{Q{K}^T}{\sqrt{d_k}}\right)V$$
  其中， $\sqrt{d_k}$ 为向量的长度。

其中唯一要训练出的参数就是 $W^q,W^k,W^v$

采用矩阵运算的方式可以大大提升计算效率

五、Multi-Head Self-Attention 多头注意力机制

5.1 运算原理

得到两个输出b后，又可以左乘一个可学习参数矩阵，将其变为一个数作为最后输出

5.2 Positional Encoding

对于Self-attention来说，并没有序列中字符位置的信息。例如动词是不太可能出现在句首的，因此可以降低动词在句首的可能性，但是自 注意力机制并没有该能力。因此需要加入 Positional Encoding 的技术来标注每个词汇在句子中的位置信息。

位置信息可以人为指定，也可以让机器自己学习出来。具体可参考下面的论文。

六、其他应用

6.1 语音识别

6.2 图像处理

假设一张图片有三个通道，那么每一个位置的三个通道就相当于一个向量，整个图片就是一个向量组，所以可以使用Self-Attention机制

具体应用

6.3 CNN 与 Self-Attention的比较

• CNN的做卷积时只考虑卷积核范围内的数据
• Self-Attention考虑全局的信息

如果用不同的数据量来训练CNN和self-attention，会出现不同的结果。大的模型self-attention如果用于少量数据，容易出现过拟合；而小的模型CNN，在少量数据集上不容易出现过拟合。

6.4 RNN 与 Self-Attention 的比较

• 单向RNN只考虑了一个方向的信息
• Self-Attention（没有加位置信息时）没有考虑位置信息
  

6.5 Self-Attention 应用于 Graph

自注意力机制的缺点就是计算量非常大，因此如何优化其计算量是未来研究的重点。

七、Pytorch代码实现

7.1 Self-Attention

import math
import torch
import torch.nn as nn


class SelfAttention(nn.Module):
    def __init__(self, input_dim, dim_q, dim_v):
        super(SelfAttention, self).__init__()

        # dim_q = dim_k
        self.dim_q, self.dim_k, self.dim_v = dim_q, dim_q, dim_v

        self.Q = nn.Linear(input_dim, dim_q)
        self.K = nn.Linear(input_dim, dim_q)
        self.V = nn.Linear(input_dim, dim_v)

        self.softmax = nn.Softmax(dim=-1)

    def forward(self, x):
        # Q: [batch_size,seq_len,dim_q]
        # K: [batch_size,seq_len,dim_k]
        # V: [batch_size,seq_len,dim_v]
        Q, K, V = self.Q(x), self.K(x), self.V(x)
        print(f'x.shape:{
     x.shape} , Q.shape:{
     Q.shape} , K.shape: {
     K.shape} , V.shape:{
     V.shape}')
        attention = torch.bmm(self.softmax(torch.bmm(Q, K.permute(0, 2, 1)) / math.sqrt(self.dim_k)), V)
        return attention


if __name__ == '__main__':
    batch_size = 2  # 批量数
    input_dim = 5  # 句子中每个单词的向量维度
    seq_len = 3  # 句子长度
    x = torch.randn(batch_size, seq_len, input_dim)
    self_attention = SelfAttention(input_dim, batch_size, batch_size + input_dim)
    print(x)
    print('=' * 50)
    attention = self_attention(x)
    print('=' * 50)
    print(attention)

 

  
 

输出：

tensor([[[-0.4491,  0.6722,  0.0739,  2.2373, -0.2280],
         [-0.5156, -1.0378,  0.4090, -1.1535, -1.1051],
         [-1.5552, -1.1806,  0.4696, -0.7460, -1.1878]],

        [[-1.9606,  1.3585, -0.2554, -0.3004, -0.6509],
         [ 0.2619, -1.5002,  0.2587,  1.0928, -0.2754],
         [ 1.2719,  0.9347, -1.2178,  1.4022, -1.9317]]])
==================================================
x.shape:torch.Size([2, 3, 5]) , Q.shape:torch.Size([2, 3, 2]) , K.shape: torch.Size([2, 3, 2]) , V.shape:torch.Size([2, 3, 7])
==================================================
tensor([[[-0.2963, -0.2623,  0.7339,  0.9425, -0.4123, -0.9852, -0.1668],
         [ 0.3173, -0.1366,  0.1946,  0.4260, -0.4735, -0.2990, -0.1717],
         [ 0.3296, -0.1388,  0.1891,  0.4204, -0.4767, -0.2839, -0.1747]],

        [[-0.3837,  0.2535,  0.6436,  0.3743, -0.6781, -1.2351, -0.3101],
         [-0.4371,  0.2849,  0.6881,  0.3698, -0.7420, -1.2496, -0.2881],
         [-0.4844,  0.3279,  0.7248,  0.3536, -0.7639, -1.3541, -0.3226]]],
       grad_fn=<BmmBackward0>)

 

  
 

7.2 Multi-Head Self-Attention

import math
import torch
import torch.nn as nn


class MultiHeadSelfAttention(nn.Module):
    def __init__(self, input_dim, dim_q, dim_v, n_head=1):
        super(MultiHeadSelfAttention, self).__init__()
        # dim_q = dim_k
        self.dim_q, self.dim_k, self.dim_v, self.n_head = dim_q, dim_q, dim_v, n_head

        if self.dim_k % n_head != 0:
            raise RuntimeError(
                f"请将batch_size = {
     dim_q} , 设置为n_head = {
     n_head}的整数倍，例如:{
     n_head * 1}、{
     n_head * 2}、{
     n_head * 3}...")
        if self.dim_v % n_head != 0:
            raise RuntimeError(
                f"请将batch_size + input_dim = {
     dim_v} , 设置为n_head = {
     n_head}的整数倍，例如:{
     n_head * 1}、{
     n_head * 2}、{
     n_head * 3}...")

        self.Q = nn.Linear(input_dim, dim_q)
        self.K = nn.Linear(input_dim, dim_q)
        self.V = nn.Linear(input_dim, dim_v)
        self._norm_fact = 1 / math.sqrt(self.dim_k)

    def forward(self, x):
        # Q: [n_head,batch_size,seq_len,dim_q]
        # K: [n_head,batch_size,seq_len,dim_k]
        # V: [n_head,batch_size,seq_len,dim_v]
        Q = self.Q(x).reshape(-1, x.shape[0], x.shape[1], self.dim_k // self.n_head)
        K = self.K(x).reshape(-1, x.shape[0], x.shape[1], self.dim_k // self.n_head)
        V = self.V(x).reshape(-1, x.shape[0], x.shape[1], self.dim_v // self.n_head)

        print(f'x.shape:{
     x.shape} , Q.shape:{
     Q.shape} , K.shape: {
     K.shape} , V.shape:{
     V.shape}')

        attention = nn.Softmax(dim=-1)(
            torch.matmul(Q, K.permute(0, 1, 3, 2)))  # Q * K.T() # batch_size * seq_len * seq_len

        attention = torch.matmul(attention, V).reshape(x.shape[0], x.shape[1],
                                                       -1)  # Q * K.T() * V # batch_size * seq_len * dim_v

        return attention


if __name__ == '__main__':
    n_head = 2  # 头的数量
    batch_size = 4  # 批量数
    input_dim = 4  # 句子中每个单词的向量维度
    seq_len = 3  # 句子长度
    x = torch.randn(batch_size, seq_len, input_dim)
    self_attention = MultiHeadSelfAttention(input_dim, batch_size, batch_size + input_dim, n_head=n_head)
    print(x)
    print('=' * 50)
    attention = self_attention(x)
    print('=' * 50)
    print(attention)

 

  
 

输出：

tensor([[[ 0.8641, -0.4545, -0.3437, -1.3505],
         [-1.8631, -0.2410, -0.0692, -0.9518],
         [ 0.3442,  1.2714,  1.5605, -1.0755]],

        [[-1.1445, -0.9071, -0.2945, -0.9338],
         [-0.2961,  0.2670,  0.6485,  0.1274],
         [ 0.2757, -0.9526, -0.1947,  1.3630]],

        [[-0.6654,  1.8043,  0.7771, -2.0179],
         [ 1.9467, -1.1478,  0.2295, -0.5878],
         [-1.1283, -0.2811, -1.0215, -0.2777]],

        [[ 0.1165,  1.3968, -0.2745, -0.4792],
         [ 0.9307,  0.7316,  1.1139, -0.5292],
         [-1.1494,  0.4623, -1.3939, -3.0027]]])
==================================================
x.shape:torch.Size([4, 3, 4]) , Q.shape:torch.Size([2, 4, 3, 2]) , K.shape: torch.Size([2, 4, 3, 2]) , V.shape:torch.Size([2, 4, 3, 4])
==================================================
tensor([[[-0.5651,  0.0617,  0.4064, -0.1783, -0.4151,  0.0878,  0.3656,
          -0.3224],
         [-0.4750,  0.0582,  0.3371, -0.2406,  0.4841, -0.6677,  0.4175,
          -0.9181],
         [ 0.1175, -0.4277,  0.2538, -0.9493,  0.1103, -0.4356,  0.2730,
          -0.9502]],

        [[-0.4968,  0.0067,  0.3769, -0.0957, -0.4742,  0.0230,  0.3734,
          -0.1573],
         [-0.4715,  0.0260,  0.3754, -0.1679,  0.4554, -0.3518,  0.5341,
           0.2777],
         [ 0.4408, -0.3425,  0.5368,  0.2800,  0.4525, -0.3696,  0.5359,
           0.2185]],

        [[ 0.0776, -0.4077, -0.1044, -0.8529,  0.5349, -0.6025, -0.1392,
          -0.9085],
         [-0.3288, -0.2475, -0.0153, -0.9120, -0.1885,  0.1334,  0.6229,
          -0.0158],
         [-0.1659,  0.1249,  0.5162, -0.0164, -0.1794,  0.1261,  0.5748,
          -0.0011]],

        [[-0.1911, -0.0506,  0.0524, -0.5707,  0.0190, -0.1300,  0.0619,
          -0.6097],
         [-0.1689, -0.0501,  0.0528, -0.5536, -0.1215, -0.0887,  0.0580,
          -0.7919],
         [-0.2557,  0.1489, -0.2454, -1.0483,  0.7787, -0.7513,  0.8527,
          -0.6087]]], grad_fn=<ViewBackward>)

 

  
 

转载：https://blog.csdn.net/weixin_51545953/article/details/127514179