入門 | 什麼是自注意力機制？

科技 08-20

選自

Medium

作者：

KION KIM

機器之心編譯

參與：

Geek AI、

劉曉坤

注意力機制模仿了生物觀察行為的內部過程，即一種將內部經驗和外部感覺對齊從而增加部分區域的觀察精細度的機制。注意力機制可以快速提取稀疏數據的重要特徵，因而被廣泛用於自然語言處理任務，特別是機器翻譯。而自注意力機制是注意力機制的改進，其減少了對外部信息的依賴，更擅長捕捉數據或特徵的內部相關性。本文通過文本情感分析的案例，解釋了自注意力機制如何應用於稀疏文本的單詞對錶征加權，並有效提高模型效率。

目前有許多句子表徵的方法。本文作者之前的博文中已經討論了 5 中不同的基於單詞表徵的句子表徵方法。想要了解更多這方面的內容，你可以訪問以下鏈接：https://kionkim.github.io/（儘管其中大多數資料是韓文）

句子表徵

在文本分類問題中，僅僅對句子中的詞嵌入求平均的做法就能取得良好的效果。而文本分類實際上是一個相對容易和簡單的任務，它不需要從語義的角度理解句子的意義，只需要對單詞進行計數就足夠了。例如，對情感分析來說，演算法需要對與積極或消極情緒有重要關係的單詞進行計數，而不用關心其位置和具體意義為何。當然，這樣的演算法應該學習到單詞本身的情感。

循環神經網路

為了更好地理解句子，我們應該更加關注單詞的順序。為了做到這一點，循環神經網路可以從一系列具有以下的隱藏狀態的輸入單詞（token）中抽取出相關信息。

當我們使用這些信息時，我們通常只使用最後一個時間步的隱藏狀態。然而，想要從僅僅存儲在一個小規模向量中的句子表達出所有的信息並不是一件容易的事情。

卷積神經網路

借鑒於 n-gram 技術的思路，卷積神經網路（CNN）可以圍繞我們感興趣的單詞歸納局部信息。為此，我們可以應用如下圖所示的一維卷積。當然，下面僅僅給出了一個例子，我們也可以嘗試其它不同的架構。

大小為 3 的一維卷積核掃描我們想要歸納信息的位置周圍的單詞。為此，我們必須使用大小為 1 的填充值（padding），從而使過濾後的長度保持與原始長度 T 相同。除此之外，輸出通道的數量是 c_1。

接著，我們將另一個過濾器應用於特徵圖，最終將輸入的規模轉化為 c_2*T。這一系列的過程實在模仿人類閱讀句子的方式，首先理解 3 個單詞的含義，然後將它們綜合考慮來理解更高層次的概念。作為一種衍生技術，我們可以利用在深度學習框架中實現的優化好的卷積神經網路演算法來達到更快的運算速度。

關係網路

單詞對可能會為我們提供關於句子的更清楚的信息。實際情況中，某個單詞往往可能會根據其不同的用法而擁有不同的含義。例如，「I like」中的單詞「like」（喜歡）和它在「like this」（像... 一樣）中的含義是不同的。如果我們將「I」和「like」一同考慮，而不是將「like」和「this」放在一起考慮，我們可以更加清楚地領會到句子的感情。這絕對是一種積極的信號。Skip gram 是一種從單詞對中檢索信息的技術，它並不要求單詞對中的單詞緊緊相鄰。正如單詞「skip」所暗示的那樣，它允許這些單詞之間有間隔。

正如你在上圖中所看到的，一對單詞被輸入到函數 f(?) 中，從而提取出它們之間的關係。對於某個特定的位置 t，有 T-1 對單詞被歸納，而我們通過求和或平均或任意其它相關的技術對句子進行表徵。當我們具體實現這個演算法時，我們會對包括當前單詞本身的 T 對單詞進行這樣的計算。

需要一種折衷方法

我們可以將這三種不同的方法寫作同一個下面的通用形式：

當所有的 I_{t,?} 為 1 時，通用形式說明任何「skip bigram」對於模型的貢獻是均勻的。

對於 RNN 來說，我們忽略單詞 x_t 之後的所有信息，因此上述方程可以化簡為：

對於雙向 RNN 來說，我們可以考慮從 x_T 到 x_t 的後向關係。

另一方面，CNN 只圍繞我們感興趣的單詞瀏覽信息，如果我們只關心單詞 x_t 前後的 k 個單詞，通用的公式可以被重新排列為：

儘管關係網路可能過於龐大，以至於我們不能考慮所有單詞對關係。而 CNN 的規模又太小了，我們不能僅僅考慮它們之間的局部關係。所以，我們需要在這兩個極端之間找到一種折衷的方式，這就是所謂的注意力機制。

自注意力機制

上文提到的通用形式可以被重新改寫為下面更加靈活的形式：

在這裡，α(?,?) 控制了每個單片語合可能產生的影響。例如，在句子「I like you like this」中，兩個單詞「I」和「you」可能對於確定句子的情感沒有幫助。然而，「I」和「like」的組合使我們對這句話的情感有了一個清晰的認識。在這種情況下，我們給予前一種組合的注意力很少，而給予後一種組合的注意力很多。通過引入權重向量 α(?,?)，我們可以讓演算法調整單片語合的重要程度。

假設第 i 個句子中的 T 個單詞被嵌入到了 H_{i1},…,H_{iT} 中，每個詞嵌入都會被賦予一個權重 α_{it}，它代表了將單詞歸納到一個統一的表徵中時的相對重要性。

我們在這裡想要擁有的最終結果是每個輸入句子的權重矩陣。如果我們把 10 個句子輸入到網路中，我們會得到 10 個如下所示的注意力矩陣。

自注意力機制的實現

自注意力機制在論文「A structured Self-Attentive Sentence Embedding」中被首次提出，此文作者將自注意力機制應用於雙向 LSTM 的隱層，模型結構如下圖所示：

論文地址：https://arxiv.org/pdf/1703.03130.pdf

然而，我們並不一定要用 LSTM 來做單詞表徵（並不一定是單詞表徵，我的意思是句子表徵之前的階段），我們將把自注意力機制應用到基於關係網路的單詞表徵中。

與原論文中的自注意力機制不同（如上圖所示，數學上的細節可以在我的上一篇博文中找到），關係網路的注意力機制可以被定義為：

參見：https://kionkim.github.io/_posts/2018-07-12-sentiment_analysis_self_attention.md

為了解釋上面的圖標，不妨假設我們想要得到第 i 個單詞的表徵。對於包含第 i 個單詞的單片語合，會生成兩個輸出：一個用於特徵提取（綠色圓圈），另一個用於注意力加權（紅色圓圈）。這兩個輸出可能共享同一個網路，但在本文中，我們為每個輸出使用單獨的網路。在得到最後的注意力權重之前，注意力（紅色圓圈）的輸出通過需要經過 sigmoid 和 softmax 層的運算。這些注意力權重會與提取出的特徵相乘，以得到我們感興趣的單詞的表徵。

用 Gluon 實現自注意力機制

在具體實現部分，我們假設網路結構十分簡單，有兩個相連的全連接層用於關係提取，有一個全連接層用於注意力機制。緊跟著是兩個相連的全連接層用於分類。在這裡，關係提取和注意力提取會用到下面的代碼片段：

class

 Sentence_Representation
(nn
.Block
):
    def
 __init__
(self
, **kwargs
):
        super
(Sentence_Representation
, self
).__init__
()
        for
 (k
, v
) in
 kwargs
.items
():
            setattr
(self
, k
, v
)
        
with
 self
.name_scope
():
            self
.embed
 
= nn.Embedding(self.vocab_size, self.emb_dim)
            self.g_fc1 = nn.Dense(self.hidden_dim,activation="relu"
)
            self.g_fc2 = nn.Dense(self.hidden_dim,activation="relu"
)
            self.attn = nn.Dense(1
, activation = "tanh"
)
    def forward(self, x):
        embeds = self.embed(x) # batch * time step * embedding
        x_i = embeds.expand_dims(
1
)
        x_i = nd.repeat(x_i,repeats= self.sentence_length, axis=1
) # batch * time step * time step * embedding
        x_j = embeds.expand_dims(2
)
        x_j = nd.repeat(x_j,repeats= self.sentence_length, axis=2
) # batch * time step * time step * embedding
        x_full = nd.concat(x_i,x_j,dim=3
) # batch * time step * time step * (2
 * embedding)
        # New input data
        _x = x_full.reshape((-1
, 2
 * self.emb_dim))
        # Network 
for
 attention
        _attn = self.attn(_x)
        _att = _attn.reshape((-1
, self.sentence_length, self.sentence_length))
        _att = nd.sigmoid(_att)
        att = nd.softmax(_att, axis = 1
)
        _x = self.g_fc1(_x) # (batch * time step * time step) * hidden_dim
        _x = self.g_fc2(_x) # (batch * time step * time step) * hidden_dim
        # add all (sentence_length*sentence_length) sized result to produce sentence representation
        x_g = _x.reshape((
-1
, self.sentence_length, self.sentence_length, self.hidden_dim))
        _inflated_att = _att.expand_dims(axis = 
-1
)
        _inflated_att = nd.repeat(_inflated_att, repeats = self.hidden_dim, axis = 3
)
        x_q = nd.multiply(_inflated_att, x_g)
        sentence_rep = nd.mean(x_q.reshape(shape = (
-1
, self.sentence_length **2
, self.hidden_dim)), axis= 1
)
        return
 sentence_rep, att