浅谈Attention-based Model【原理篇】

转载请标明出处：http://blog.csdn.net/wuzqchom/article/details/75792501

计划分为三个部分：
浅谈Attention-based Model【原理篇】（你在这里）
浅谈Attention-based Model【源码篇】
浅谈Attention-based Model【实践篇】

0. 前言

看了台大的李宏毅老师关于Attention部分的内容，这一部分讲得挺好的（其实李宏毅老师其它部分的内容也不错，比较幽默，安利一下），记录一下，本博客的大部分内容据来自李宏毅老师的授课资料：Attention-based Model。如发现有误，望不吝赐教。

1. 为什么需要Attention

最基本的seq2seq模型包含一个encoder和一个decoder，通常的做法是将一个输入的句子编码成一个固定大小的state，然后作为decoder的初始状态（当然也可以作为每一时刻的输入），但这样的一个状态对于decoder中的所有时刻都是一样的。
attention即为注意力，人脑在对于的不同部分的注意力是不同的。需要attention的原因是非常直观的，比如，我们期末考试的时候，我们需要老师划重点，划重点的目的就是为了尽量将我们的attention放在这部分的内容上，以期用最少的付出获取尽可能高的分数；再比如我们到一个新的班级，吸引我们attention的是不是颜值比较高的人？普通的模型可以看成所有部分的attention都是一样的，而这里的attention-based model对于不同的部分，重要的程度则不同。

2. Attention-based Model是什么

Attention-based Model其实就是一个相似性的度量，当前的输入与目标状态越相似，那么在当前的输入的权重就会越大，说明当前的输出越依赖于当前的输入。严格来说，Attention并算不上是一种新的model，而仅仅是在以往的模型中加入attention的思想，所以Attention-based Model或者Attention Mechanism是比较合理的叫法，而非Attention Model。

没有attention机制的encoder-decoder结构通常把encoder的最后一个状态作为decoder的输入（可能作为初始化，也可能作为每一时刻的输入），但是encoder的state毕竟是有限的，存储不了太多的信息，对于decoder过程，每一个步骤都和之前的输入都没有关系了，只与这个传入的state有关。attention机制的引入之后，decoder根据时刻的不同，让每一时刻的输入都有所不同。

再引用tensorflow源码attention_decoder()函数关于attention的注释：

“In this context ‘attention’ means that, during decoding, the RNN can look up information in the additional tensor attention_states, and it does this by focusing on a few entries from the tensor.”

3. Attention

对于机器翻译来说，比如我们翻译“机器学习”,在翻译“machine”的时候，我们希望模型更加关注的是“机器”而不是“学习”。那么，就从这个例子开始说吧（以下图片均来自上述课程链接的slides）

刚才说了，attention其实就是一个当前的输入与输出的匹配度。在上图中，即为 $h^1$ 和 $z^0$ 的匹配度（ $h^1$ 为当前时刻RNN的隐层输出向量，而不是原始输入的词向量， $z^0$ 初始化向量，如rnn中的initial memory），其中的match为计算这两个向量的匹配度的模块，出来的 $\alpha^1_0$ 即为由match算出来的相似度。好了，基本上这个就是attention-based model 的attention部分了。那么，match什么呢？

对于“match”, 理论上任何可以计算两个向量的相似度都可以，比如：

余弦相似度
一个简单的神经网络，输入为 $h$ 和 $w$ ，输出为 $\alpha$
或者矩阵变换 $\alpha=h^TWz$ (Multiplicative attention，Luong et al., 2015)

现在我们已经由match模块算出了当前输入输出的匹配度，然后我们需要计算当前的输出（实际为decoder端的隐状态）和每一个输入做一次match计算，分别可以得到当前的输出和所有输入的匹配度，由于计算出来并没有归一化，所以我们使用softmax，使其输出时所有权重之和为1。那么和每一个输入的权重都有了（由于下一个输出为“machine”，我们希望第一个权重和第二个权权重越大越好），那么我们可以计算出其加权向量和，作为下一次的输入。

这里有一个问题：就是如果match用后面的两种，那么参数应该怎么学呢？

如下图所示：

那么再算出了

c^{0}

$c^0$ 之后，我们就把这个向量作为rnn的输入（如果我们decoder用的是RNN的话），然后d第一个时间点的输出的编码

z^{1}

$z^1$ 由

c^{0}

$c^0$ 和初始状态

z^{0}

$z^0$ 共同决定。我们计算得到

z^{1}

$z^1$ 之后，替换之前的

z^{0}

$z^0$ 再和每一个输入的encoder的vector计算匹配度，然后softmax，计算向量加权，作为第二时刻的输入……如此循环直至结束。

这里写图片描述

再看看Grammar as a Foreign Language一文当中的公式：

上面的符号表示和前面描述的不太一样，经统一符号的公式如下：

$u_t^{i}=v^{T}tanh(W_1h^{i}+W_2Z^{t})$

$\alpha_t^{i}=softmax(u_t^{i})$

$c^{t}=\sum_i\alpha_{t}^{i}h^i$

得到 $c^t$ 之后，就可以作为第t时刻RNN的input，而 $Z^t$ 可以作为t时刻RNN的隐状态的输入，这样就能够得到新的隐状态 $Z^{t+1}$ ，如此循环，直到遇到停止符为止。

上式 $v^T$ 为一个向量， $u_{t}^{i}$ 即为t时刻的decoder隐状态向量和第i个输入的相似度（未归一化）。
在第一个式子当中的 $tanh$ 里面的内容，tensorflow对于第一部分的实现是采用卷积的方式实现，而第二部分使用的是线性映射函数linear实现。
$v^T$ 向量的长度即为attention_vec_size，tensorflow 中直接把输入向量的长度设置为attention向量的长度，你要设置其他的值也可以，这里比较奇怪，tensorflow没有将其作为函数的参数，难道设成和输入的向量相同的效果更好？（有知情者也烦请告知）

4. 遗留问题

本来我们已经结束了，但是仔细想想，其实还有一个地方有所疑问。就是加入match是一个简单地神经网络或者一个矩阵，神经网络的权值和矩阵里面的值怎么来？
其实这些都是可以BP的时候就可以自动学到的。比如我们明确输出是什么，在第一时刻的时候，那就会调整 $z^0$ 和 $c^0$ 的值，进而就会调整所有的 $\alpha$ 值，之前说过 $\alpha$ 是match的输出，如果match是后两种的话，就会进而调整match中的参数。

文本处理方面的注意力机制是在神经机器翻译首先提出，附文献：
DzmitryBahdanau,KyunghyunCho,andYoshuaBengio.Neuralmachinetranslationbyjointlylearning to align and translate. arXiv preprint arXiv:1409.0473, 2014.