参考链接

  1. https://www.bilibili.com/video/BV1JE411g7XF?p=54
  2. https://arxiv.org/abs/1706.03762

简述自注意力机制(self-attention)

self-attention可以视为一个特征提取层,给定输入特征 python 注意力矩阵热力图 pytorch自注意力机制_神经网络 ,经过self-attention layer,融合每个输入特征,得到新的特征 python 注意力矩阵热力图 pytorch自注意力机制_神经网络_02 。具体如下:

设输入特征为 python 注意力矩阵热力图 pytorch自注意力机制_深度学习_03 ,分别将其乘以三个矩阵 python 注意力矩阵热力图 pytorch自注意力机制_python 注意力矩阵热力图_04 python 注意力矩阵热力图 pytorch自注意力机制_attention_05 python 注意力矩阵热力图 pytorch自注意力机制_python 注意力矩阵热力图_06 得到 python 注意力矩阵热力图 pytorch自注意力机制_python 注意力矩阵热力图_07 (query)、 python 注意力矩阵热力图 pytorch自注意力机制_python 注意力矩阵热力图_08 (key)和 python 注意力矩阵热力图 pytorch自注意力机制_pytorch_09 (value)三个矩阵;接下来使用矩阵 python 注意力矩阵热力图 pytorch自注意力机制_python 注意力矩阵热力图_07 python 注意力矩阵热力图 pytorch自注意力机制_python 注意力矩阵热力图_08 的乘积得到注意力矩阵 python 注意力矩阵热力图 pytorch自注意力机制_神经网络_12 ,归一化得到 python 注意力矩阵热力图 pytorch自注意力机制_python 注意力矩阵热力图_13 ;最后,将归一化后的注意力矩阵 python 注意力矩阵热力图 pytorch自注意力机制_python 注意力矩阵热力图_13 乘上 python 注意力矩阵热力图 pytorch自注意力机制_pytorch_09 ,得到最后的输出特征 python 注意力矩阵热力图 pytorch自注意力机制_深度学习_16

python 注意力矩阵热力图 pytorch自注意力机制_神经网络_17

多头自注意力机制(multi-head self-attention)

上述的self-attention中,每个输入特征 python 注意力矩阵热力图 pytorch自注意力机制_神经网络_18 乘上矩阵 python 注意力矩阵热力图 pytorch自注意力机制_python 注意力矩阵热力图_04 python 注意力矩阵热力图 pytorch自注意力机制_attention_05 python 注意力矩阵热力图 pytorch自注意力机制_python 注意力矩阵热力图_06 后,分别得到一个向量 python 注意力矩阵热力图 pytorch自注意力机制_pytorch_22 python 注意力矩阵热力图 pytorch自注意力机制_python 注意力矩阵热力图_23 python 注意力矩阵热力图 pytorch自注意力机制_python 注意力矩阵热力图_24 ,称为单头自注意力机制。如果将这些向量 python 注意力矩阵热力图 pytorch自注意力机制_pytorch_22 python 注意力矩阵热力图 pytorch自注意力机制_python 注意力矩阵热力图_23 python 注意力矩阵热力图 pytorch自注意力机制_python 注意力矩阵热力图_24 分裂为 python 注意力矩阵热力图 pytorch自注意力机制_深度学习_28 个就得到 python 注意力矩阵热力图 pytorch自注意力机制_深度学习_28 头自注意力机制了。公认多头自注意力机制的效果好于单头的,因为前者可以捕获更多维度的信息。示意图如下:

python 注意力矩阵热力图 pytorch自注意力机制_python 注意力矩阵热力图_30

代码实现

设超参数num_attention_heads为自注意力机制的头数,如此,计算出每个头的维度attention_head_size。

self.num_attention_heads = num_attention_heads
self.attention_head_size = int(hidden_size / num_attention_heads)
self.all_head_size = hidden_size

定义 python 注意力矩阵热力图 pytorch自注意力机制_python 注意力矩阵热力图_04 python 注意力矩阵热力图 pytorch自注意力机制_attention_05 python 注意力矩阵热力图 pytorch自注意力机制_python 注意力矩阵热力图_06 三个矩阵。

self.query = nn.Linear(input_size, self.all_head_size)
self.key = nn.Linear(input_size, self.all_head_size)
self.value = nn.Linear(input_size, self.all_head_size)

下面开始逐步计算,需要主要的是计算过程中张量维度的变化。
将输入特征乘以三个矩阵 python 注意力矩阵热力图 pytorch自注意力机制_python 注意力矩阵热力图_04 python 注意力矩阵热力图 pytorch自注意力机制_attention_05 python 注意力矩阵热力图 pytorch自注意力机制_python 注意力矩阵热力图_06 ,输出的张量此时还没有区分出多个头。维度变化为:input_tensor python 注意力矩阵热力图 pytorch自注意力机制_attention_37 到mixed_query_layer python 注意力矩阵热力图 pytorch自注意力机制_pytorch_38

mixed_query_layer = self.query(input_tensor)
mixed_key_layer = self.key(input_tensor)
mixed_value_layer = self.value(input_tensor)

切分为num_attention_heads个头,并变换维度。维度变化为:mixed_query_layer python 注意力矩阵热力图 pytorch自注意力机制_pytorch_38 到query_layer python 注意力矩阵热力图 pytorch自注意力机制_python 注意力矩阵热力图_40

def transpose_for_scores(self, x):
   new_x_shape = x.size()[:-1] + (self.num_attention_heads, self.attention_head_size)
   x = x.view(*new_x_shape)
   return x.permute(0, 2, 1, 3)
query_layer = self.transpose_for_scores(mixed_query_layer)
key_layer = self.transpose_for_scores(mixed_key_layer)
value_layer = self.transpose_for_scores(mixed_value_layer)

矩阵 python 注意力矩阵热力图 pytorch自注意力机制_python 注意力矩阵热力图_07 python 注意力矩阵热力图 pytorch自注意力机制_python 注意力矩阵热力图_08 相乘,得到注意力矩阵,并除以向量的维度的开方,防止注意力分数随维度增大而增大。维度变化为:query_layer python 注意力矩阵热力图 pytorch自注意力机制_python 注意力矩阵热力图_40 到attention_scores python 注意力矩阵热力图 pytorch自注意力机制_attention_44

attention_scores = torch.matmul(query_layer, key_layer.transpose(-1, -2))
attention_scores = attention_scores / math.sqrt(self.attention_head_size)

注意力矩阵归一化。维度变化为:attention_scores python 注意力矩阵热力图 pytorch自注意力机制_attention_44 到attention_probs python 注意力矩阵热力图 pytorch自注意力机制_attention_44

attention_probs = nn.Softmax(dim=-1)(attention_scores)

将注意力矩阵乘以矩阵 python 注意力矩阵热力图 pytorch自注意力机制_pytorch_09 。维度变化为:ttention_probs python 注意力矩阵热力图 pytorch自注意力机制_attention_44 乘以value_layer python 注意力矩阵热力图 pytorch自注意力机制_python 注意力矩阵热力图_40 到context_layer python 注意力矩阵热力图 pytorch自注意力机制_python 注意力矩阵热力图_40

context_layer = torch.matmul(attention_probs, value_layer)

变换context_layer维度,为了后面将各头得到的结果拼接。这里的contiguous()是将tensor的内存变成连续的,为后面的view()做准备。维度变化为:context_layer python 注意力矩阵热力图 pytorch自注意力机制_python 注意力矩阵热力图_40 到context_layer python 注意力矩阵热力图 pytorch自注意力机制_attention_52

context_layer = context_layer.permute(0, 2, 1, 3).contiguous()

将各头的结果拼接起来。维度变化为:context_layer python 注意力矩阵热力图 pytorch自注意力机制_attention_52 到context_layer python 注意力矩阵热力图 pytorch自注意力机制_pytorch_38

new_context_layer_shape = context_layer.size()[:-2] + (self.all_head_size,)
context_layer = context_layer.view(*new_context_layer_shape)

完整代码

class LayerNorm(nn.Module):
    def __init__(self, hidden_size, eps=1e-12):
        """Construct a layernorm module in the TF style (epsilon inside the square root).
        super(LayerNorm, self).__init__()
        self.weight = nn.Parameter(torch.ones(hidden_size))
        self.bias = nn.Parameter(torch.zeros(hidden_size))
        self.variance_epsilon = eps
    def forward(self, x):
        u = x.mean(-1, keepdim=True)
        s = (x - u).pow(2).mean(-1, keepdim=True)
        x = (x - u) / torch.sqrt(s + self.variance_epsilon)
        return self.weight * x + self.bias
class SelfAttention(nn.Module):
    def __init__(self, num_attention_heads, input_size, hidden_size, hidden_dropout_prob):
        super(SelfAttention, self).__init__()
        if hidden_size % num_attention_heads != 0:
            raise ValueError(
                "The hidden size (%d) is not a multiple of the number of attention "
                "heads (%d)" % (hidden_size, num_attention_heads))
        self.num_attention_heads = num_attention_heads
        self.attention_head_size = int(hidden_size / num_attention_heads)
        self.all_head_size = hidden_size
        self.query = nn.Linear(input_size, self.all_head_size)
        self.key = nn.Linear(input_size, self.all_head_size)
        self.value = nn.Linear(input_size, self.all_head_size)
        self.attn_dropout = nn.Dropout(attention_probs_dropout_prob)
        # 做完self-attention 做一个前馈全连接 LayerNorm 输出
        self.dense = nn.Linear(hidden_size, hidden_size)
        self.LayerNorm = LayerNorm(hidden_size, eps=1e-12)
        self.out_dropout = nn.Dropout(hidden_dropout_prob)
    def transpose_for_scores(self, x):
        new_x_shape = x.size()[:-1] + (self.num_attention_heads, self.attention_head_size)
        x = x.view(*new_x_shape)
        return x.permute(0, 2, 1, 3)
    def forward(self, input_tensor):
        mixed_query_layer = self.query(input_tensor)
        mixed_key_layer = self.key(input_tensor)
        mixed_value_layer = self.value(input_tensor)
        query_layer = self.transpose_for_scores(mixed_query_layer)
        key_layer = self.transpose_for_scores(mixed_key_layer)
        value_layer = self.transpose_for_scores(mixed_value_layer)
        # Take the dot product between "query" and "key" to get the raw attention scores.
        attention_scores = torch.matmul(query_layer, key_layer.transpose(-1, -2))
        attention_scores = attention_scores / math.sqrt(self.attention_head_size)
        # Apply the attention mask is (precomputed for all layers in BertModel forward() function)
        # [batch_size heads seq_len seq_len] scores
        # [batch_size 1 1 seq_len]
        # attention_scores = attention_scores + attention_mask
        # Normalize the attention scores to probabilities.
        attention_probs = nn.Softmax(dim=-1)(attention_scores)
        # This is actually dropping out entire tokens to attend to, which might
        # seem a bit unusual, but is taken from the original Transformer paper.
        # Fixme
        attention_probs = self.attn_dropout(attention_probs)
        context_layer = torch.matmul(attention_probs, value_layer)
        context_layer = context_layer.permute(0, 2, 1, 3).contiguous()
        new_context_layer_shape = context_layer.size()[:-2] + (self.all_head_size,)
        context_layer = context_layer.view(*new_context_layer_shape)
        hidden_states = self.dense(context_layer)
        hidden_states = self.out_dropout(hidden_states)
        hidden_states = self.LayerNorm(hidden_states + input_tensor)
        return hidden_states