标签：Transformer Attention mathbf Self attention 计算 alpha LSTM
1. 前言本文笔记参考Wang Shusen老师的课程：https://www.youtube.com/watch?v=Vr4UNt7X6Gw&list=PLvOO0btloRnuTUGN4XqO85eKPeFSZsEqK&index=9
2015年，在文献[1]中首次提出attention。到了2016年，在文献[2]中提出了self-attention方法。作者将self-attention和LSTM结合用在了机器阅读任务上。为了好理解，下文将LSTM表示成SimpleRNN。
在阅读以下内容之前，强烈建议先看看之前关于attention机制的文章介绍：Transformer自下而上(2) 注意力（Attention）机制。
2. SimpleRNN (LSTM)由下图可以看到传统的LSTM的第一个输出\(h_1\)只依赖于两个输入\(x_1\)和\(h_0\)
下面我们会逐项介绍计算过程。
3.1 计算\(h_1\)和\(c_1\)
下图给出了加入Attention机制后的示意图，可以看到和Fig 1. 的区别在于我们把\(h_0\)替换成了\(c_0\)。由于\(h_0\)和\(c_0\)是已经初始化好了的，所以根据下图中的公式我们能直接计算出\(h_1\)
接下来我们需要计算\(c_1\)。Attention的目的是为了避免遗忘，所以一种很自然的思路就是\(c_i\)是所有之前状态\(\{h0,..,h_{i-1}\}\)的加权求和，他们的权重分别是\(\{\alpha_0,...,\alpha_{i-1}\}\)。由于通常\(h_0\)初始化为0向量，所以\(c_1=h_1\)
3.2 计算\(h_i\)和\(c_i\)
看完\(h_1\)和\(c_1\)的计算是不是还有点懵，没关系，下面我们加大学习力度，重复多看几次计算过程。
计算\(h\)的方法千篇一律，都是那当前的输入\(x_i\)和前一时刻的context vector \(c_{i-1}\)拼接成一个向量后参与计算，即
\[\mathbf{h}_{i}=\tanh \left(\mathbf{A} \cdot\left[\begin{array}{l} \mathbf{x}_{i} \\ \mathrm{c}_{i-1} \end{array}\right]+\mathbf{b}\right) \]
下一步是计算\(c_2\)。\(c\)的通用计算公式可以写成 \(c_i=\alpha_1 h_1+...\alpha_{i-1} h_{i-1}\)
权重\(\alpha_i\)的计算公式为
\[\alpha_{i}=\operatorname{align}\left(\mathbf{h}_{i}, \mathbf{h}_{2}\right) \]上面的\(align\)可以有不同的实现方法([3])，你只需要知道\(\alpha_i\)表示\(h_i\)和\(h_2\)之间的权重（或者是相似度），计算出所有的\(\alpha_i\)之后我们就能计算出\(c_i\)了，这里\(c_2=\alpha_1h_1+\alpha_2h_2\)
3.3 再计算一次
同理，要计算\(c_4\)，我们仍然要通过使用\(align\)计算符计算出不同的\(\alpha\)。
注意，Fig 7里的\(\alpha_1,\alpha_2,...\)和Fig 5里的\(\alpha\)是不一样的，这里只是为了方便讲解。也就是说每计算新的\(c\)都要计算一遍不同的\(\alpha\)。为了计算这些权重，我们每次都会遍历一遍之前的数据，所以这样可以有效解决SimpleRNN遗忘的问题。
[1] Bahdanau D, Cho K, Bengio Y. Neural machine translation by jointly learning to align and translate. In ICLR, 2015
[2] Cheng J, Dong L, Lapata M. Long short-term memory-networks for machine reading. In EMNLP, 2016
[3] Transformer自下而上(2) 注意力（Attention）机制 (https://zhuanlan.zhihu.com/p/374841046)
如有意合作或学术讨论欢迎私戳联系~
邮箱:marsggbo@foxmail.com
2021-05-21 16:39:50
标签：Transformer,Attention,mathbf,Self,attention,计算,alpha,LSTM 来源： https://blog.51cto.com/u_15187743/2823715
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。