本文将将介绍注意力的概念从何而来，它是如何工作的以及它的简略的实现。
注意力机制
在整个注意力过程中，模型会学习了三个权重:查问、键和值。查问、键和值的思维来源于信息检索零碎。所以咱们先了解数据库查问的思维。
假如有一个数据库，外面有所有一些作家和他们的书籍信息。当初我想读一些Rabindranath写的书：
在数据库中，作者名字相似于键，图书相似于值。查问的关键词Rabindranath是这个问题的键。所以须要计算查问和数据库的键(数据库中的所有作者)之间的类似度，而后返回最类似作者的值(书籍)。
同样，注意力有三个矩阵，别离是查问矩阵(Q)、键矩阵(K)和值矩阵(V)。它们中的每一个都具备与输出嵌入雷同的维数。模型在训练中学习这些度量的值。
咱们能够假如咱们从每个单词中创立一个向量，这样咱们就能够解决信息。对于每个单词，生成一个512维的向量。所有3个矩阵都是512x512(因为单词嵌入的维度是512)。对于每个标记嵌入，咱们将其与所有三个矩阵(Q, K, V)相乘，每个标记将有3个长度为512的两头向量。
接下来计算分数，它是查问和键向量之间的点积。分数决定了当咱们在某个地位编码单词时，对输出句子的其余局部的关注水平。
而后将点积除以要害向量维数的平方根。这种缩放是为了避免点积变得太大或太小(取决于正值或负值)，因为这可能导致训练期间的数值不稳固。抉择比例因子是为了确保点积的方差近似等于1。
而后通过softmax操作传递后果。这将分数标准化：它们都是正的，并且加起来等于1。softmax输入决定了咱们应该从不同的单词中获取多少信息或特色(值)，也就是在计算权重。
这里须要留神的一点是，为什么须要其余单词的信息/特色？因为咱们的语言是有上下文含意的，一个雷同的单词呈现在不同的语境，含意也不一样。
最初一步就是计算softmax与这些值的乘积，并将它们相加。
可视化图解
下面逻辑都是文字内容，看起来有一些干燥，上面咱们可视化它的矢量化实现。这样能够更加深刻的了解。
查询键和矩阵的计算方法如下
同样的办法能够计算键向量和值向量。
最初计算得分和注意力输入。
简略代码实现
importtorch importtorch.nnasnn fromtypingimportList defget_input_embeddings(words: List[str], embeddings_dim: int): # we are creating random vector of embeddings_dim size for each words # normally we train a tokenizer to get the embeddings. # check the blog on tokenizer to learn about this part embeddings= [torch.randn(embeddings_dim) forwordinwords] returnembeddings text="I should sleep now" words=text.split(" ") len(words) # 4 embeddings_dim=512# 512 dim because the original paper uses it. we can use other dim also embeddings=get_input_embeddings(words, embeddings_dim=embeddings_dim) embeddings[0].shape# torch.Size([512]) # initialize the query, key and value metrices query_matrix=nn.Linear(embeddings_dim, embeddings_dim) key_matrix=nn.Linear(embeddings_dim, embeddings_dim) value_matrix=nn.Linear(embeddings_dim, embeddings_dim) query_matrix.weight.shape, key_matrix.weight.shape, value_matrix.weight.shape# torch.Size([512, 512]), torch.Size([512, 512]), torch.Size([512, 512]) # query, key and value vectors computation for each words embeddings query_vectors=torch.stack([query_matrix(embedding) forembeddinginembeddings]) key_vectors=torch.stack([key_matrix(embedding) forembeddinginembeddings]) value_vectors=torch.stack([value_matrix(embedding) forembeddinginembeddings]) query_vectors.shape, key_vectors.shape, value_vectors.shape# torch.Size([4, 512]), torch.Size([4, 512]), torch.Size([4, 512]) # compute the score scores=torch.matmul(query_vectors, key_vectors.transpose(-2, -1)) /torch.sqrt(torch.tensor(embeddings_dim, dtype=torch.float32)) scores.shape# torch.Size([4, 4]) # compute the attention weights for each of the words with the other words softmax=nn.Softmax(dim=-1) attention_weights=softmax(scores) attention_weights.shape# torch.Size([4, 4]) # attention output output=torch.matmul(attention_weights, value_vectors) output.shape# torch.Size([4, 512])以上代码只是为了展现注意力机制的实现，并未优化。
多头注意力
下面提到的注意力是单头注意力，在原论文中有8个头。对于多头和单多头注意力计算雷同，只是查问(q0-q3)，键(k0-k3)，值(v0-v3)两头向量会有一些区别。
之后将查问向量分成相等的局部（有多少头就分成多少）。在上图中有8个头，查问，键和值向量的维度为512。所以就变为了8个64维的向量。
把前64个向量放到第一个头，第二组向量放到第二个头，以此类推。在下面的图片中，我只展现了第一个头的计算。
这里须要留神的是：不同的框架有不同的实现办法，pytorch官网的实现是下面这种，然而tf和一些第三方的代码中是将每个头离开计算了，比方8个头会应用8个linear（tf的dense）而不是一个大linear再拆解。还记得Pytorch的transformer外面要求emb_dim能被num_heads整除吗，就是因为这个
应用哪种形式都能够，因为最终的后果都相似影响不大。
当咱们在一个head中有了小查问、键和值(64 dim的)之后，计算剩下的逻辑与单个head留神雷同。最初失去的64维的向量来自每个头。
咱们将每个头的64个输入组合起来，失去最初的512个dim输入向量。
多头注意力能够示意数据中的简单关系。每个头都能学习不同的模式。多个头还提供了同时解决输出示意的不同子空间(本例：64个向量示意512个原始向量)的能力。
多头留神代码实现
num_heads=8 # batch dim is 1 since we are processing one text. batch_size=1 text="I should sleep now" words=text.split(" ") len(words) # 4 embeddings_dim=512 embeddings=get_input_embeddings(words, embeddings_dim=embeddings_dim) embeddings[0].shape# torch.Size([512]) # initialize the query, key and value metrices query_matrix=nn.Linear(embeddings_dim, embeddings_dim) key_matrix=nn.Linear(embeddings_dim, embeddings_dim) value_matrix=nn.Linear(embeddings_dim, embeddings_dim) query_matrix.weight.shape, key_matrix.weight.shape, value_matrix.weight.shape# torch.Size([512, 512]), torch.Size([512, 512]), torch.Size([512, 512]) # query, key and value vectors computation for each words embeddings query_vectors=torch.stack([query_matrix(embedding) forembeddinginembeddings]) key_vectors=torch.stack([key_matrix(embedding) forembeddinginembeddings]) value_vectors=torch.stack([value_matrix(embedding) forembeddinginembeddings]) query_vectors.shape, key_vectors.shape, value_vectors.shape# torch.Size([4, 512]), torch.Size([4, 512]), torch.Size([4, 512]) # (batch_size, num_heads, seq_len, embeddings_dim) query_vectors_view=query_vectors.view(batch_size, -1, num_heads, embeddings_dim//num_heads).transpose(1, 2) key_vectors_view=key_vectors.view(batch_size, -1, num_heads, embeddings_dim//num_heads).transpose(1, 2) value_vectors_view=value_vectors.view(batch_size, -1, num_heads, embeddings_dim//num_heads).transpose(1, 2) query_vectors_view.shape, key_vectors_view.shape, value_vectors_view.shape # torch.Size([1, 8, 4, 64]), # torch.Size([1, 8, 4, 64]), # torch.Size([1, 8, 4, 64]) # We are splitting the each vectors into 8 heads. # Assuming we have one text (batch size of 1), So we split # the embedding vectors also into 8 parts. Each head will # take these parts. If we do this one head at a time. head1_query_vector=query_vectors_view[0, 0, ...] head1_key_vector=key_vectors_view[0, 0, ...] head1_value_vector=value_vectors_view[0, 0, ...] head1_query_vector.shape, head1_key_vector.shape, head1_value_vector.shape # The above vectors are of same size as before only the feature dim is changed from 512 to 64 # compute the score scores_head1=torch.matmul(head1_query_vector, head1_key_vector.permute(1, 0)) /torch.sqrt(torch.tensor(embeddings_dim//num_heads, dtype=torch.float32)) scores_head1.shape# torch.Size([4, 4]) # compute the attention weights for each of the words with the other words softmax=nn.Softmax(dim=-1) attention_weights_head1=softmax(scores_head1) attention_weights_head1.shape# torch.Size([4, 4]) output_head1=torch.matmul(attention_weights_head1, head1_value_vector) output_head1.shape# torch.Size([4, 512]) # we can compute the output for all the heads outputs= [] forhead_idxinrange(num_heads): head_idx_query_vector=query_vectors_view[0, head_idx, ...] head_idx_key_vector=key_vectors_view[0, head_idx, ...] head_idx_value_vector=value_vectors_view[0, head_idx, ...] scores_head_idx=torch.matmul(head_idx_query_vector, head_idx_key_vector.permute(1, 0)) /torch.sqrt(torch.tensor(embeddings_dim//num_heads, dtype=torch.float32)) softmax=nn.Softmax(dim=-1) attention_weights_idx=softmax(scores_head_idx) output=torch.matmul(attention_weights_idx, head_idx_value_vector) outputs.append(output) [out.shapeforoutinoutputs] # [torch.Size([4, 64]), # torch.Size([4, 64]), # torch.Size([4, 64]), # torch.Size([4, 64]), # torch.Size([4, 64]), # torch.Size([4, 64]), # torch.Size([4, 64]), # torch.Size([4, 64])] # stack the result from each heads for the corresponding words word0_outputs=torch.cat([out[0] foroutinoutputs]) word0_outputs.shape # lets do it for all the words attn_outputs= [] foriinrange(len(words)): attn_output=torch.cat([out[i] foroutinoutputs]) attn_outputs.append(attn_output) [attn_output.shapeforattn_outputinattn_outputs] # [torch.Size([512]), torch.Size([512]), torch.Size([512]), torch.Size([512])] # Now lets do it in vectorize way. # We can not permute the last two dimension of the key vector. key_vectors_view.permute(0, 1, 3, 2).shape# torch.Size([1, 8, 64, 4]) # Transpose the key vector on the last dim score=torch.matmul(query_vectors_view, key_vectors_view.permute(0, 1, 3, 2)) # Q*k score=torch.softmax(score, dim=-1) # reshape the results attention_results=torch.matmul(score, value_vectors_view) attention_results.shape# [1, 8, 4, 64] # merge the results attention_results=attention_results.permute(0, 2, 1, 3).contiguous().view(batch_size, -1, embeddings_dim) attention_results.shape# torch.Size([1, 4, 512])总结
注意力机制（attention mechanism）是Transformer模型中的重要组成部分。Transformer是一种基于自注意力机制（self-attention）的神经网络模型，广泛应用于自然语言解决工作，如机器翻译、文本生成和语言模型等。本文介绍的自注意力机制是Transformer模型的根底，在此基础之上衍生倒退出了各种不同的更加高效的注意力机制，所以深刻理解自注意力机制，将可能更好地了解Transformer模型的设计原理和工作机制，以及如何在具体的各种工作中利用和调整模型。这将有助于你更无效地应用Transformer模型并进行相干钻研和开发。
最初有趣味的能够看看这个，它外面蕴含了pytorch的transformer的残缺实现:
https://avoid.overfit.cn/post/c3f0da0fd4bd4151a8f79741ebc09937
作者：Souvik Mandal