Transformer自下而上理解(3) Self-attention机制

本文笔记参考Wang Shusen老师的课程：https://www.youtube.com/watch?v=Vr4UNt7X6Gw&list=PLvOO0btloRnuTUGN4XqO85eKPeFSZsEqK&index=9

1. 前言

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)

Fig 1. LSTM

3. SimpleRNN + Attention

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)

Fig 2. LSTM+Attention

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)

Fig 3. 计算c1

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}= anh left(mathbf{A} cdotleft[egin{array}{l} mathbf{x}_{i} \ mathrm{c}_{i-1} end{array} ight]+mathbf{b} ight) ]

Fig 4. 计算h2

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} ight) ]

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)

Fig 5. 计算c2

3.3 再计算一次

Fig 6. 计算h4

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。

Fig 7. 计算c4

参考文献

[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)