Attention 正在被越來越廣泛的得到應用。尤其是 BERT 火爆了之後。

Attention 到底有什麼特别之處？他的原理和本質是什麼？Attention都有哪些類型？本文将詳細講解Attention的方方面面。

Attention 的本質是什麼

Attention（注意力）機制如果淺層的理解，跟他的名字非常匹配。他的核心邏輯就是「從關注全部到關注重點」。

Attention 機制很像人類看圖片的邏輯，當我們看一張圖片的時候，我們并沒有看清圖片的全部内容，而是将注意力集中在了圖片的焦點上。大家看一下下面這張圖：

我們一定會看清「錦江飯店」4個字，如下圖：

但是我相信沒人會意識到「錦江飯店」上面還有一串「電話号碼」，也不會意識到「喜運來大酒家」，如下圖：

所以，當我們看一張圖片的時候，其實是這樣的：

上面所說的，我們的視覺系統就是一種 Attention機制，将有限的注意力集中在重點信息上，從而節省資源，快速獲得最有效的信息。

AI 領域的 Attention 機制

Attention 機制最早是在計算機視覺裡應用的，随後在 NLP 領域也開始應用了，真正發揚光大是在 NLP 領域，因為 2018 年 BERT 和 GPT 的效果出奇的好，進而走紅。而 Transformer 和 Attention 這些核心開始被大家重點關注。

如果用圖來表達 Attention 的位置大緻是下面的樣子：

這裡先讓大家對 Attention 有一個宏觀的概念，下文會對 Attention 機制做更詳細的講解。在這之前，我們先說說為什麼要用 Attention。

Attention 的3大優點

之所以要引入 Attention 機制，主要是3個原因：

0. 參數少
1. 速度快
2. 效果好

參數少

模型複雜度跟 CNN、RNN 相比，複雜度更小，參數也更少。所以對算力的要求也就更小。

速度快

Attention 解決了 RNN 不能并行計算的問題。Attention機制每一步計算不依賴于上一步的計算結果，因此可以和CNN一樣并行處理。

效果好

在 Attention 機制引入之前，有一個問題大家一直很苦惱：長距離的信息會被弱化，就好像記憶能力弱的人，記不住過去的事情是一樣的。

Attention 是挑重點，就算文本比較長，也能從中間抓住重點，不丢失重要的信息。下圖紅色的預期就是被挑出來的重點。

Attention 的原理

Attention 經常會和 Encoder–Decoder 一起說，之前的文章《一文看懂 NLP 裡的模型框架 Encoder-Decoder 和 Seq2Seq》 也提到了 Attention。

下面的動圖演示了attention 引入 Encoder-Decoder 框架下，完成機器翻譯任務的大緻流程。

但是，Attention 并不一定要在 Encoder-Decoder 框架下使用的，他是可以脫離 Encoder-Decoder 框架的。

下面的圖片則是脫離 Encoder-Decoder 框架後的原理圖解。

小故事講解

上面的圖看起來比較抽象，下面用一個例子來解釋 attention 的原理：

圖書管（source）裡有很多書（value），為了方便查找，我們給書做了編号（key）。當我們想要了解漫威（query）的時候，我們就可以看看那些動漫、電影、甚至二戰（美國隊長）相關的書籍。

為了提高效率，并不是所有的書都會仔細看，針對漫威來說，動漫，電影相關的會看的仔細一些（權重高），但是二戰的就隻需要簡單掃一下即可（權重低）。

當我們全部看完後就對漫威有一個全面的了解了。

Attention 原理的3步分解：

第一步： query 和 key 進行相似度計算，得到權值

第二步：将權值進行歸一化，得到直接可用的權重

第三步：将權重和 value 進行加權求和

從上面的建模，我們可以大緻感受到 Attention 的思路簡單，四個字“帶權求和”就可以高度概括，大道至簡。做個不太恰當的類比，人類學習一門新語言基本經曆四個階段：死記硬背（通過閱讀背誦學習語法練習語感）->提綱挈領（簡單對話靠聽懂句子中的關鍵詞彙準确理解核心意思）->融會貫通（複雜對話懂得上下文指代、語言背後的聯系，具備了舉一反三的學習能力）->登峰造極（沉浸地大量練習）。

這也如同attention的發展脈絡，RNN 時代是死記硬背的時期，attention 的模型學會了提綱挈領，進化到 transformer，融彙貫通，具備優秀的表達學習能力，再到 GPT、BERT，通過多任務大規模學習積累實戰經驗，戰鬥力爆棚。

要回答為什麼 attention 這麼優秀？是因為它讓模型開竅了，懂得了提綱挈領，學會了融會貫通。

——阿裡技術

想要了解更多技術細節，可以看看下面的文章或者視頻：

「文章」深度學習中的注意力機制

「文章」遍地開花的 Attention，你真的懂嗎？

「文章」探索 NLP 中的 Attention 注意力機制及 Transformer 詳解

「視頻」李宏毅 – transformer

「視頻」李宏毅 – ELMO、BERT、GPT 講解

Attention 的 N 種類型

Attention 有很多種不同的類型：Soft Attention、Hard Attention、靜态Attention、動态Attention、Self Attention 等等。下面就跟大家解釋一下這些不同的 Attention 都有哪些差别。

由于這篇文章《Attention用于NLP的一些小結》已經總結的很好的，下面就直接引用了：

本節從計算區域、所用信息、結構層次和模型等方面對Attention的形式進行歸類。

1. 計算區域

根據Attention的計算區域，可以分成以下幾種：

1）Soft Attention，這是比較常見的Attention方式，對所有key求權重概率，每個key都有一個對應的權重，是一種全局的計算方式（也可以叫Global Attention）。這種方式比較理性，參考了所有key的内容，再進行加權。但是計算量可能會比較大一些。

2）Hard Attention，這種方式是直接精準定位到某個key，其餘key就都不管了，相當于這個key的概率是1，其餘key的概率全部是0。因此這種對齊方式要求很高，要求一步到位，如果沒有正确對齊，會帶來很大的影響。另一方面，因為不可導，一般需要用強化學習的方法進行訓練。（或者使用gumbel softmax之類的）

3）Local Attention，這種方式其實是以上兩種方式的一個折中，對一個窗口區域進行計算。先用Hard方式定位到某個地方，以這個點為中心可以得到一個窗口區域，在這個小區域内用Soft方式來算Attention。

2. 所用信息

假設我們要對一段原文計算Attention，這裡原文指的是我們要做attention的文本，那麼所用信息包括内部信息和外部信息，内部信息指的是原文本身的信息，而外部信息指的是除原文以外的額外信息。

1）General Attention，這種方式利用到了外部信息，常用于需要構建兩段文本關系的任務，query一般包含了額外信息，根據外部query對原文進行對齊。

比如在閱讀理解任務中，需要構建問題和文章的關聯，假設現在baseline是，對問題計算出一個問題向量q，把這個q和所有的文章詞向量拼接起來，輸入到LSTM中進行建模。那麼在這個模型中，文章所有詞向量共享同一個問題向量，現在我們想讓文章每一步的詞向量都有一個不同的問題向量，也就是，在每一步使用文章在該步下的詞向量對問題來算attention，這裡問題屬于原文，文章詞向量就屬于外部信息。

2）Local Attention，這種方式隻使用内部信息，key和value以及query隻和輸入原文有關，在self attention中，key=value=query。既然沒有外部信息，那麼在原文中的每個詞可以跟該句子中的所有詞進行Attention計算，相當于尋找原文内部的關系。

還是舉閱讀理解任務的例子，上面的baseline中提到，對問題計算出一個向量q，那麼這裡也可以用上attention，隻用問題自身的信息去做attention，而不引入文章信息。

3. 結構層次

結構方面根據是否劃分層次關系，分為單層attention，多層attention和多頭attention：

1）單層Attention，這是比較普遍的做法，用一個query對一段原文進行一次attention。

2）多層Attention，一般用于文本具有層次關系的模型，假設我們把一個document劃分成多個句子，在第一層，我們分别對每個句子使用attention計算出一個句向量（也就是單層attention）；在第二層，我們對所有句向量再做attention計算出一個文檔向量（也是一個單層attention），最後再用這個文檔向量去做任務。

3）多頭Attention，這是Attention is All You Need中提到的multi-head attention，用到了多個query對一段原文進行了多次attention，每個query都關注到原文的不同部分，相當于重複做多次單層attention：

最後再把這些結果拼接起來：

4. 模型方面

從模型上看，Attention一般用在CNN和LSTM上，也可以直接進行純Attention計算。

1）CNN Attention

CNN的卷積操作可以提取重要特征，我覺得這也算是Attention的思想，但是CNN的卷積感受視野是局部的，需要通過疊加多層卷積區去擴大視野。另外，Max Pooling直接提取數值最大的特征，也像是hard attention的思想，直接選中某個特征。

CNN上加Attention可以加在這幾方面：

a. 在卷積操作前做attention，比如Attention-Based BCNN-1，這個任務是文本蘊含任務需要處理兩段文本，同時對兩段輸入的序列向量進行attention，計算出特征向量，再拼接到原始向量中，作為卷積層的輸入。

b. 在卷積操作後做attention，比如Attention-Based BCNN-2，對兩段文本的卷積層的輸出做attention，作為pooling層的輸入。

c. 在pooling層做attention，代替max pooling。比如Attention pooling，首先我們用LSTM學到一個比較好的句向量，作為query，然後用CNN先學習到一個特征矩陣作為key，再用query對key産生權重，進行attention，得到最後的句向量。

2）LSTM Attention

LSTM内部有Gate機制，其中input gate選擇哪些當前信息進行輸入，forget gate選擇遺忘哪些過去信息，我覺得這算是一定程度的Attention了，而且号稱可以解決長期依賴問題，實際上LSTM需要一步一步去捕捉序列信息，在長文本上的表現是會随着step增加而慢慢衰減，難以保留全部的有用信息。

LSTM通常需要得到一個向量，再去做任務，常用方式有：

a. 直接使用最後的hidden state（可能會損失一定的前文信息，難以表達全文）

b. 對所有step下的hidden state進行等權平均（對所有step一視同仁）。

c. Attention機制，對所有step的hidden state進行加權，把注意力集中到整段文本中比較重要的hidden state信息。性能比前面兩種要好一點，而方便可視化觀察哪些step是重要的，但是要小心過拟合，而且也增加了計算量。

3）純Attention

Attention is all you need，沒有用到CNN/RNN，乍一聽也是一股清流了，但是仔細一看，本質上還是一堆向量去計算attention。

5. 相似度計算方式

在做attention的時候，我們需要計算query和某個key的分數（相似度），常用方法有：

1）點乘：最簡單的方法，

2）矩陣相乘：

3）cos相似度：

4）串聯方式：把q和k拼接起來，

5）用多層感知機也可以：

,

更多精彩资讯请关注tft每日頭條，我们将持续为您更新最新资讯!

查看全部