注意力评分函数 - Attention Scoring Function

注意力评分函数

在注意力汇聚小结中，我们使用高斯核来对查询和键之间的关系建模。我们可以将其中的

f ( x ) = ∑ i = 1 n α ( x , x i ) y i = ∑ i = 1 n exp ⁡ ( − 1 2 ( x − x i ) 2 ) ∑ j = 1 n exp ⁡ ( − 1 2 ( x − x j ) 2 ) y i = ∑ i = 1 n s o f t m a x ( − 1 2 ( x − x i ) 2 ) y i .

f(x)​=i=1∑n​α(x,xi​)yi​=i=1∑n​∑j=1n​exp(−21​(x−xj​)2)exp(−21​(x−xi​)2)​yi​=i=1∑n​softmax(−21​(x−xi​)2)yi​.​

高斯核指数部分，$\alpha (x,x_i)$ 部分即为注意力评分函数（attention scoring function），简称评分函数（scoring function），然后把这个函数的输出结果输入到softmax函数中进行运算。通过上述步骤，我们将得到与键对应的值的概率分布（即注意力权重）。最后，注意力汇聚的输出就是基于这些注意力权重的值的加权和。

从宏观来看，我们可以使用上述算法来实现注意力机制框架。下图说明了如何将注意力汇聚的输出计算成为值的加权和，其中 $a$ 表示注意力评分函数。由于注意力权重是概率分布，因此加权和其本质上是加权平均值。

用数学语言描述，假设有一个查询$\mathbf{q}\in {\mathbb{R}}^q$和$m$个“键－值”对$({\mathbf{k}}_1,{\mathbf{v}}_1),\dots ,({\mathbf{k}}_m,{\mathbf{v}}_m)$，其中${\mathbf{k}}_i\in {\mathbb{R}}^k$，${\mathbf{v}}_i\in {\mathbb{R}}^v$。注意力汇聚函数$f$就被表示成值的加权和：

$$f(\mathbf{q},({\mathbf{k}}_1,{\mathbf{v}}_1),\dots ,({\mathbf{k}}_m,{\mathbf{v}}_m))=\sum _{i=1}^m\alpha (\mathbf{q},{\mathbf{k}}_i){\mathbf{v}}_i\in {\mathbb{R}}^v,$$

其中查询$\mathbf{q}$和键${\mathbf{k}}_i$的注意力权重（标量）是通过注意力评分函数$a$ 将两个向量映射成标量，再经过softmax运算得到的：

$$\alpha (\mathbf{q},{\mathbf{k}}_i)=\mathrm{softmax}(a(\mathbf{q},{\mathbf{k}}_i))=\frac{\exp (a(\mathbf{q},{\mathbf{k}}_i))}{{\sum }_{j=1}^m\exp (a(\mathbf{q},{\mathbf{k}}_j))}\in \mathbb{R}.$$

正如我们所看到的，选择不同的注意力评分函数 $a$ 会导致不同的注意力汇聚操作。接下来我们将介绍两个流行的评分函数，稍后将用他们来实现更复杂的注意力机制。

import math
import torch
from torch import nn
from d2l import torch as d2l
1
2
3
4

掩蔽softmax操作

正如上面提到的，softmax操作用于输出一个概率分布作为注意力权重。在某些情况下，并非所有的值都应该被纳入到注意力汇聚中。例如，为了高效处理小批量数据集，某些文本序列被填充了没有意义的特殊词元。为了仅将有意义的词元作为值来获取注意力汇聚，我们可以指定一个有效序列长度（即词元的个数），以便在计算softmax时过滤掉超出指定范围的位置。通过这种方式，我们可以在下面的 masked_softmax 函数中，实现这样的掩蔽softmax操作（masked softmax operation），其中任何超出有效长度的位置都被掩蔽并置为0。

#@save
def masked_softmax(X, valid_lens):
    """通过在最后一个轴上掩蔽元素来执行softmax操作"""
    # X:3D张量，valid_lens:1D或2D张量
    if valid_lens is None:
        return nn.functional.softmax(X, dim=-1)
    else:
        shape = X.shape
        if valid_lens.dim() == 1:
            #一维数据，代表对每个列表作切分，即会复制shape[1]个valid_len
            valid_lens = torch.repeat_interleave(valid_lens, shape[1])
        else:
            #二维数据，代表对每个样本作切分，则直接展开valid_len进行切分
            valid_lens = valid_lens.reshape(-1)
        # 最后一轴上被掩蔽的元素使用一个非常大的负值替换，从而其softmax输出为0
        X = d2l.sequence_mask(X.reshape(-1, shape[-1]), valid_lens,
                              value=-1e6)
        #返回softmax后的X
        return nn.functional.softmax(X.reshape(shape), dim=-1)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19

为了演示此函数是如何工作的，考虑由两个 $2\times 4$ 矩阵表示的样本，这两个样本的有效长度分别为 $2$ 和 $3$。经过掩蔽softmax操作，超出有效长度的值都被掩蔽为0。

masked_softmax(torch.rand(2, 2, 4), torch.tensor([[2, 3], [2, 3]]))
1

tensor([[[0.4789, 0.5211, 0.0000, 0.0000],
         [0.3361, 0.4192, 0.2447, 0.0000]],

        [[0.3115, 0.6885, 0.0000, 0.0000],
         [0.4593, 0.2615, 0.2792, 0.0000]]])
1
2
3
4
5

同样，我们也可以使用二维张量，为矩阵样本中的每一行指定有效长度。

masked_softmax(torch.rand(2, 2, 4), torch.tensor([[1, 3], [2, 4]]))
1

tensor([[[1.0000, 0.0000, 0.0000, 0.0000],
         [0.3849, 0.2983, 0.3168, 0.0000]],

        [[0.4788, 0.5212, 0.0000, 0.0000],
         [0.2977, 0.3028, 0.1474, 0.2521]]])
1
2
3
4
5

加性注意力

一般来说，当查询和键是不同长度的矢量时，我们可以使用加性注意力作为**评分函数。**给定查询$\mathbf{q}\in {\mathbb{R}}^q$和键$\mathbf{k}\in {\mathbb{R}}^k$，加性注意力（additive attention）的评分函数为

$$a(\mathbf{q},\mathbf{k})={\mathbf{w}}_v^{\top }\text{tanh}({\mathbf{W}}_q\mathbf{q}+{\mathbf{W}}_k\mathbf{k})\in \mathbb{R},$$

其中可学习的参数是${\mathbf{W}}_q\in {\mathbb{R}}^{h\times q}$、${\mathbf{W}}_k\in {\mathbb{R}}^{h\times k}$和${\mathbf{w}}_v\in {\mathbb{R}}^h$。如上式所示，将查询和键连结起来后输入到一个多层感知机（MLP） 中，感知机包含一个隐藏层，其隐藏单元数是一个超参数 $h$。通过使用 $\tanh$ 作为激活函数，并且禁用偏置项。

下面我们来实现加性注意力。

#具备加性注意力的神经网络
class AdditiveAttention(nn.Module):
    """加性注意力"""
    def __init__(self, key_size, query_size, num_hiddens, dropout, **kwargs):
        super(AdditiveAttention, self).__init__(**kwargs)
    
        self.W_k = nn.Linear(key_size, num_hiddens, bias=False)                 #定义键Key的全连接层
        self.W_q = nn.Linear(query_size, num_hiddens, bias=False)               #定义查询Query的全连接层
        self.w_v = nn.Linear(num_hiddens, 1, bias=False)                        #定义值Value的全连接层
        self.dropout = nn.Dropout(dropout)                                      #定义暂退法
    
    #前向传播函数
    def forward(self, queries, keys, values, valid_lens):
        #此时queries的形状(batch_size, 查询的个数，num_hiddens)
        #    keys的形状(batch_size, ”键-值“对的个数，num_hiddens)
        queries, keys = self.W_q(queries), self.W_k(keys)
        
        # 在维度扩展后
        # queries的形状: (batch_size, 查询的个数，1，num_hidden)
        # key的形状: (batch_size，1，”键-值“对的个数，num_hiddens)
        #features的形状: (batch_size, 查询的个数，”键-值“对的个数, num_hiddens)
        features = queries.unsqueeze(2) + keys.unsqueeze(1)
        #使用tanh激活函数
        features = torch.tanh(features)
        # self.w_v 仅有一个输出，因此从形状中移除最后那个维度
        # scores的形状: (batch_size，查询的个数，”键-值“的个数)
        scores = self.w_v(features).squeeze(-1)
        self.attention_weights = masked_softmax(scores, valid_lens)
        # values的形状: (batch_size, ”键-值“的个数，值的维度)
        return torch.bmm(self.dropout(self.attention_weights), values)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30

我们用一个小例子来演示上面的AdditiveAttention类，其中查询、键和值的形状为（批量大小，步数或词元序列长度，特征大小），实际输出为$(2,1,20)$、$(2,10,2)$和$(2,10,4)$。注意力汇聚输出的形状为（批量大小，查询的步数，值的维度）。

"""
此时
queries形状：(2, 1, 20)
keys形状：(2, 10, 2)
values的形状：(2, 10, 4)
valid_len的长度为 2，即为(2, 6)
"""
queries, keys = torch.normal(0, 1, (2, 1, 20)), torch.ones((2, 10, 2))
# values的小批量，两个值矩阵是相同的
values = torch.arange(40, dtype=torch.float32).reshape(1, 10, 4).repeat(2,1,1)
# 有效长度分别为 2 和 6
valid_lens = torch.tensor([2, 6])

# 定义attention对象
attention = AdditiveAttention(key_size=2, query_size=20, num_hiddens=8,
                             dropout=0.1)

attention.eval()

#计算其注意力
attention(queries, keys, values, valid_lens)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21

tensor([[[ 2.0000,  3.0000,  4.0000,  5.0000]],

        [[10.0000, 11.0000, 12.0000, 13.0000]]], grad_fn=)
1
2
3

尽管加性注意力包含了可学习的参数，但由于本例子中每个键都是相同的，所以注意力权重是均匀的，由指定的有效长度决定。

d2l.show_heatmaps(attention.attention_weights.reshape((1, 1, 2, 10)),
                 xlabel='Keys', ylabel='Queries')
1
2

缩放点积注意力

使用点积可以得到计算效率更高的评分函数，但是点积操作要求查询和键具有相同的长度 $d$ 。 假设查询和键的所有元素都是独立的随机变量，并且都满足零均值和单位方差，那么两个向量的点积的均值为 $0$ ，方差为 $d$ 。为确保无论向量长度如何，点积的方差在不考虑向量长度的情况下仍然是 $1$，我们将点积除以$\sqrt{d}$，则缩放点积注意力（scaled dot-product attention） 评分函数为：

$$a(\mathbf{q},\mathbf{k})={\mathbf{q}}^{\top }\mathbf{k}/\sqrt{d}.$$

在实践中，我们通常从小批量的角度来考虑提高效率，例如基于 $n$ 个查询和 $m$ 个键－值对计算注意力，其中查询和键的长度为 $d$ ，值的长度为 $v$。查询 $\mathbf{Q}\in {\mathbb{R}}^{n\times d}$、键$\mathbf{K}\in {\mathbb{R}}^{m\times d}$和值$\mathbf{V}\in {\mathbb{R}}^{m\times v}$的缩放点积注意力是：

$$\mathrm{softmax}\left(\frac{\mathbf{Q}{\mathbf{K}}^{\top }}{\sqrt{d}}\right)\mathbf{V}\in {\mathbb{R}}^{n\times v}.$$

在下面的缩放点积注意力的实现中，我们使用了暂退法进行模型正则化。

class DotProductAttention(nn.Module):
    """缩放点积注意力"""
    def __init__(self, dropout, **kwargs):
        super(DotProductAttention, self).__init__(*kwargs)
        self.dropout = nn.Dropout(dropout)
        
    
    """
    定义前向传播函数
    queries的形状: (batch_size, 查询个数，d)
    keys的形状: (batch_size, ”键-值“对个数，d)
    values的形状: (batch_size, ”键-值“对个数， 值的维度)
    valid_lens的形状：(batch_size, )或者(batch_size, 查询的个数)
    """
    def forward(self, queries, keys, values, valid_lens=None):
        # 首先获取quereis和keys的最后一个维度d
        d = queries.shape[-1]
        # 设置transpose_b=True为了交换keys的最后两个维度，即实现 (queries @ keys.T) / sqrt(d)
        # 此时scores的形状为: (batch_size, 查询个数，“键-值”对个数)
        scores = torch.bmm(queries, keys.transpose(1, 2)) / math.sqrt(d)
        # 对注意力评分函数所获结果scores进行softmax操作得到注意力权重矩阵attention_weights
        self.attention_weights = masked_softmax(scores, valid_lens)
        # 最后和values(batch_size，“键-值”对个数，输出维度)相乘，得到最终结果(batch_size, 查询个数，输出维度)
        return torch.bmm(self.dropout(self.attention_weights), values)
    
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25

为了演示上述的DotProductAttention类， 我们使用与先前加性注意力例子中相同的键、值和有效长度。 对于点积操作，我们令查询的特征维度与键的特征维度大小相同。

queries = torch.normal(0, 1, (2, 1, 2))           #queries特征维度同keys一致
attention = DotProductAttention(dropout=0.5)
attention.eval()
attention(queries, keys, values, valid_lens)      #缩放点积注意力神经网络s
1
2
3
4

tensor([[[ 2.0000,  3.0000,  4.0000,  5.0000]],

        [[10.0000, 11.0000, 12.0000, 13.0000]]])
1
2
3

尽管加性注意力包含了可学习的参数，但由于本例子中每个键都是相同的，所以注意力权重是均匀的，由指定的有效长度决定。

d2l.show_heatmaps(attention.attention_weights.reshape((1, 1, 2, 10)),
                  xlabel='Keys', ylabel='Queries')
1
2

小结

1、将注意力汇聚的输出计算可以作为值的加权平均，选择不同的注意力评分函数会带来不同的注意力汇聚操作。

2、当查询和键是不同长度的矢量时，可以使用可加性注意力评分函数。当它们的长度相同时，使用缩放的“点－积”注意力评分函数的计算效率更高。