以下来自 https://www.sohu.com/a/356558093_473283 来源：towardsdatascience 作者：Raimi Karim 编辑：肖琴
https://towardsdatascience.com/illustrated-self-attention-2d627e33b20a
NLP领域最近的快速进展离不开基于Transformer的架构，本文以图解+代码的形式，带领读者完全理解self-attention机制及其背后的数学原理，并扩展到Transformer。
BERT, RoBERTa, ALBERT, SpanBERT, DistilBERT, SesameBERT, SemBERT, MobileBERT, TinyBERT, CamemBERT……它们有什么共同之处呢？答案不是“它们都是BERT”。
正确答案是：self-attention。
我们讨论的不仅是名为“BERT”的架构，更准确地说是基于Transformer的架构。基于Transformer的架构主要用于建模语言理解任务，它避免了在神经网络中使用递归，而是完全依赖于self-attention机制来绘制输入和输出之间的全局依赖关系。但这背后的数学原理是什么呢?
这就是本文要讲的内容。这篇文章将带你通过一个self-attention模块了解其中涉及的数学运算。读完本文，你将能够从头开始写一个self-attention模块。
完全图解——8步掌握self-attention
self-attention是什么?
如果你认为self-attention与attention有相似之处，那么答案是肯定的！它们基本上共享相同的概念和许多常见的数学运算。
一个self-attention模块接收 n 个输入，然后返回 n 个输出。这个模块中发生了什么呢？用外行人的话说，self-attention 机制允许输入与输入之间彼此交互(“self”)，并找出它们应该更多关注的对象(“attention”)。输出是这些交互和注意力得分的总和。
写一个 self-attention 模块包括以下步骤
1. 准备输入
2. 初始化权重
3. 推导 key, query 和 value
4. 计算输入1的注意力得分
5. 计算 softmax
6. 将分数与值相乘
7. 将权重值相加，得到输出1
8. 对输入2和输入3重复步骤4-7
注：实际上，数学运算是矢量化的,，即所有的输入都一起经历数学运算。在后面的代码部分中可以看到这一点。
步骤1：准备输入
图1.1: 准备输入
在本教程中，我们从3个输入开始，每个输入的维数为4。
步骤2：初始化权重
每个输入必须有三个表示(见下图)。这些表示称为键(key，橙色)、查询(query，红色)和值(value，紫色)。在本例中，我们假设这些表示的维数是3。因为每个输入的维数都是4，这意味着每组权重必须是4×3。
注：
稍后我们将看到value的维度也是输出的维度。
图1.2：从每个输入得出键、查询和值的表示
为了得到这些表示，每个输入(绿色)都乘以一组键的权重、一组查询的权重，以及一组值的权重。在本示例中，我们将三组权重“初始化”如下。
key的权重:
query的权重：
value的权重：
注：
在神经网络设置中，这些权重通常是很小的数字，使用适当的随机分布(例如高斯、Xavier和Kaiming分布)进行随机初始化。
步骤3：推导键、查询和值
现在，我们有了三组权重，让我们实际获取每个输入的键、查询和值表示。
输入1的键Key表示:
使用相同的权重集合得到输入2的键Key表示:
使用相同的权重集合得到输入3的键Key表示:
一种更快的方法是对上述操作进行矢量化：
图1.3a：从每个输入推导出键表示
同样的方法，可以获取每个输入的值Value表示：
图1.3b：从每个输入推导出值表示
最后，得到查询Query表示
图1.3c：从每个输入推导出查询表示
注：
在实践中，偏差向量(bias vector )可以添加到矩阵乘法的乘积。
步骤4：计算输入1的attention scores
图1.4：从查询1中计算注意力得分(蓝色)
为了获得注意力得分，我们首先在输入1的查询(红色)和所有键(橙色)之间取一个点积。因为有3个键表示(因为有3个输入)，我们得到3个注意力得分(蓝色)。
注：现在只使用Input 1中的查询。稍后，我们将对其他查询重复相同的步骤。
步骤5：计算softmax
图1.5：Softmax注意力评分(蓝色)
在所有注意力得分中使用softmax(蓝色)。
步骤6：将得分和值相乘
图1.6：由值(紫色)和分数(蓝色)的相乘推导出加权值表示(黄色)
每个输入的softmaxed attention 分数(蓝色)乘以相应的值(紫色)。结果得到3个对齐向量(黄色)。在本教程中，我们将它们称为加权值。
步骤7：将加权值相加得到输出1
图1.7：将所有加权值(黄色)相加，得到输出1(深绿色)
将所有加权值(黄色)按元素指向求和：
结果向量[2.0,7.0,1.5](深绿色)是输出1，该输出基于输入1与所有其他键(包括它自己)进行交互的查询表示。
步骤8：重复输入2和输入3
现在，我们已经完成了输出1，我们对输出2和输出3重复步骤4到7。接下来相信你可以自己操作了。
图1.8：对输入2和输入3重复前面的步骤
代码上手
这是PyTorch代码，PyTorch是Python的一个流行的深度学习框架。
步骤1：准备输入
import torch
x = [ [1, 0, 1, 0], # Input 1 [0, 2, 0, 2], # Input 2 [1, 1, 1, 1] # Input 3 ]x = torch.tensor(x, dtype=torch.float32)
步骤2：初始化权重
w_key = [ [0, 0, 1], [1, 1, 0], [0, 1, 0], [1, 1, 0]]w_query = [ [1, 0, 1], [1, 0, 0], [0, 0, 1], [0, 1, 1]]w_value = [ [0, 2, 0], [0, 3, 0], [1, 0, 3], [1, 1, 0]]w_key = torch.tensor(w_key, dtype=torch.float32)w_query = torch.tensor(w_query, dtype=torch.float32)w_value = torch.tensor(w_value, dtype=torch.float32)
步骤3: 推导键、查询和值
keys = x @ w_keyquerys = x @ w_queryvalues = x @ w_value
print(keys)# tensor([[0., 1., 1.],# [4., 4., 0.],# [2., 3., 1.]])
print(querys)# tensor([[1., 0., 2.],# [2., 2., 2.],# [2., 1., 3.]])
print(values)# tensor([[1., 2., 3.],# [2., 8., 0.],# [2., 6., 3.]])
步骤4：计算注意力得分
attn_scores = querys @ keys.T
# tensor([[ 2., 4., 4.], # attention scores from Query 1# [ 4., 16., 12.], # attention scores from Query 2# [ 4., 12., 10.]]) # attention scores from Query 3
步骤5：计算softmax
from torch.nn.functional import softmax
attn_scores_softmax = softmax(attn_scores, dim=-1)# tensor([[6.3379e-02, 4.6831e-01, 4.6831e-01],# [6.0337e-06, 9.8201e-01, 1.7986e-02],# [2.9539e-04, 8.8054e-01, 1.1917e-01]])
# For readability, approximate the above as followsattn_scores_softmax = [ [0.0, 0.5, 0.5], [0.0, 1.0, 0.0], [0.0, 0.9, 0.1]]attn_scores_softmax = torch.tensor(attn_scores_softmax)
步骤6：将得分和值相乘
weighted_values = values[:,None] * attn_scores_softmax.T[:,:,None]
# tensor([[[0.0000, 0.0000, 0.0000],# [0.0000, 0.0000, 0.0000],# [0.0000, 0.0000, 0.0000]],# # [[1.0000, 4.0000, 0.0000],# [2.0000, 8.0000, 0.0000],# [1.8000, 7.2000, 0.0000]],# # [[1.0000, 3.0000, 1.5000],# [0.0000, 0.0000, 0.0000],# [0.2000, 0.6000, 0.3000]]])
步骤7：求和加权值
outputs = weighted_values.sum(dim=0)
# tensor([[2.0000, 7.0000, 1.5000], # Output 1# [2.0000, 8.0000, 0.0000], # Output 2# [2.0000, 7.8000, 0.3000]]) # Output 3
扩展到Transformer
那么，接下来怎么办呢？Transformer！
的确，我们生活在一个深度学习研究和高计算资源的激动人心的时代。Transformer是Attention is All You Need里面提出的，最初用于执行神经机器翻译。研究人员在此基础上进行了重组、切割、添加和扩展，并将其应用到更多的语言任务中。
在这里，我将简要地介绍如何将self-attention扩展到Transformer架构。
在self-attention模块中：
Dimension
Bias
self-attention模块的输入:
Embedding module
Positional encoding
Truncating
Masking
增加更多的self-attention模块:
Multihead
Layer stacking
self-attention模块之间的模块:
Linear transformations
LayerNorm
这就是所有了！希望你觉得内容简单易懂。
参考文献：
Attention Is All You Need
https://arxiv.org/abs/1706.03762
The Illustrated Transformer
https://jalammar.github.io/illustrated-transformer/
标签：tensor,步骤,self,attention,0.0000,图解,注意力,输入 From： https://www.cnblogs.com/emanlee/p/17129811.html