1.引入Slef-Attention的原因

在自然语言处理中，使用RNN（这里指的的是LSTM）处理输入输出数据的时候，LSTM可以解决长文本依赖，因为他可以依赖于前面的文本，且不能够做并行计算，导致运算的速度非常慢。

所以有很多学者就会使用CNN去替代RNN，CNN需要叠加许多层，就可以看到所有的序列信息，并且可以并行计算。但是存在一个问题，就是需要叠加很多层，这样也间接的导致了效率变低。

所以引入的self-attention机制，就可以解决这两个问题：

• 1.看到每一个节点对所有节点的依赖
• 2.可以进行叠加运算
  如右图所示，b¹可以依赖于a¹，a²，a³，a⁴，b²也是如此。

2.self-attention原理讲解

2.1大致原理讲解

• 1.计算a
  x¹，x²，x³，x⁴会乘上一个矩阵W得到a¹，a²，a²，a³。
• 2.计算q，k，v
  通过a与一个矩阵w计算可以得到q，k，v，三个值
  其中每个值的作用和计算过程如下：
  q：query（用于去匹配其他值的）， qⁱ=W^qaⁱ
  k：key（用于被匹配）, kⁱ=W^kaⁱ
  v：抽取的信息, vⁱ=W^vaⁱ
• 3.计算 $\alpha$
  
  那每一个query q去对每一个key k做attention,其实就是q¹与kⁱ做点乘计算
  其中：$\alpha$_1,i=q¹kⁱ$\sqrt{d}$
• 4.计算$\hat{\alpha }$
  这个算法就是将所有的 $\alpha _1,i$相加在一起，然后进行一个soft-max输出，得到每一个$\alpha$的概率分布。
  
• 5.计算b
  将的$\hat{\alpha }$与每个v_i做一个点乘，然后再相加，就得到了b，也就最终的输出。
  这整个过程就是self-attention机制,计算每个节点与其他节点之间的依赖.
  

2.2 数学计算方式

• q,k,v的矩阵计算
  
  因为q是w_q与每一个a进行点乘得到的,所以可以把所有的a看做一个矩阵,就是w_q与a矩阵计算的结果,这样就达到了并行计算了.
  k,v的计算过程也是如此.
• 计算$\alpha$
  
  $\alpha$是由q¹与每一个k计算的结果(忽略$\sqrt{d}$),所以可以把所有的k看做一个矩阵,这样就是k矩阵与q的矩阵计算.
• 计算$\hat{\alpha }$
  
  把之前计算的$\alpha$放入一个soft-max函数得到$\hat{\alpha }$
• 计算b
  
  将$\hat{\alpha }$与v矩阵做点乘,然后把所有点乘的结果相加就得到了b
  整个过程抽象化如下图所示: