开发: C++知识库 Java知识库 JavaScript Python PHP知识库人工智能区块链大数据移动开发嵌入式开发工具数据结构与算法开发测试游戏开发网络协议系统运维
教程: HTML教程 CSS教程 JavaScript教程 Go语言教程 JQuery教程 VUE教程 VUE3教程 Bootstrap教程 SQL数据库教程 C语言教程 C++教程 Java教程 Python教程 Python3教程 C#教程
数码: 电脑笔记本显卡显示器固态硬盘硬盘耳机手机 iphone vivo oppo 小米华为单反装机图拉丁

-> 人工智能 -> Pytorch 注意力机制 -> 正文阅读

[人工智能]Pytorch 注意力机制

Pytorch 注意力机制

0. 环境介绍

环境使用 Kaggle 里免费建立的 Notebook

教程使用李沐老师的动手学深度学习网站和视频讲解

小技巧：当遇到函数看不懂的时候可以按 Shift+Tab 查看函数详解。

1. 注意力

1.1 心理学

动物需要在复杂环境下有效关注值得注意的点
心理学框架：人类根据随意线索和不随意线索选择注意点

不随意线索（无意识注意）：
在这里插入图片描述
想读书：随意线索（有意识地注意）

1.2 注意力机制

卷积、全连接、池化层都只考虑不随意线索（无意识的）
注意力机制则显式的考虑随意线索（有意识的）
- 随意线索被称之为查询（Query）
- 每个输入是一个值（Value）和不随意线索（Key）的对
- 通过注意力池化（Pooling）来有偏向性的选择某些输入

在这里插入图片描述

1.3 非参注意力池化层

非参就是不学习参数。

给定数据 $x_i, y_i), i=1,...,n$
平均池化是最简单的方案：
$f(x)=\frac{1}{n}\sum_i{y_i}$
更好的方案是 60 年代提出来的 Nadaraya-Watson 核回归
$f(x)=\sum_{i=1}^{n} \frac{K\left(x-x_{i}\right)}{\sum_{j=1}^{n} K\left(x-x_{j}\right)} y_{i}$
$x$ 表示 Query， $x_j, x_i$ 表示 Key， $y_i$ 表示 Value。

1.4 Nadaraya-Watson 核回归

如果使用高斯核：
$K(u)=\frac{1}{\sqrt{2 \pi}} \exp \left(-\frac{u^{2}}{2}\right)$
那么：
$\begin{aligned} f(x) &=\sum_{i=1}^{n} \frac{\exp \left(-\frac{1}{2}\left(x-x_{i}\right)^{2}\right)}{\sum_{j=1}^{n} \exp \left(-\frac{1}{2}\left(x-x_{j}\right)^{2}\right)} y_{i} \\ &=\sum_{i=1}^{n} \operatorname{softmax}\left(-\frac{1}{2}\left(x-x_{i}\right)^{2}\right) y_{i} \end{aligned}$

1.5 参数化的注意力机制

在 1.4 的基础上引入可学系的权重 $w$ ：
$f(x)=\sum_{i=1}^{n} \operatorname{softmax}\left(-\frac{1}{2}\left(\left(x-x_{i}\right) w\right)^{2}\right) y_{i}$
可以一般化写作 $f(x)=\sum_{i} \alpha\left(x, x_{i}\right) y_{i}$ ，这里 $\alpha\left(x, x_{i}\right)$ 是注意力权重。

注意力机制关键就在于权重如何设计。

2. 代码

2.0 导包

!pip install -U d2l
import torch
from torch import nn
from d2l import torch as d2l

2.1 生成数据集

考虑一个回归问题：给定成对的 “输入-输出” 数据集 ${(x_1, y_1), ..., (x_n, y_n)\}$ ，如何学习 $f$ 来预测任意新的输入 $x$ 的输出 $\hat{y} = f(x)$ ？

根据下面的非线性函数生成一个人工数据集，其中加入的噪声项为 $\epsilon$ ：
$y_i = 2\sin(x_i) + x_i^{0.8} + \epsilon$
其中噪声项 $\epsilon \sim N(0, 0.5^2)$

n_train = 50  # 训练样本数
# 排序后的训练样本
x_train, _ = torch.sort(torch.rand(n_train) * 5)   

def f(x):
    return 2 * torch.sin(x) + x**0.8

y_train = f(x_train) + torch.normal(0.0, 0.5, (n_train,))  # 训练样本的输出

# 测试样本
x_test = torch.arange(0, 5, 0.1)  
y_truth = f(x_test)  # 测试样本的真实输出
n_test = len(x_test)  # 测试样本数
n_test

2.2 定义绘制所有训练样本的函数

def plot_kernel_reg(y_hat):
    d2l.plot(x_test, [y_truth, y_hat], 'x', 'y', legend=['Truth', 'Pred'],
             xlim=[0, 5], ylim=[-1, 5])
    d2l.plt.plot(x_train, y_train, 'o', alpha=0.5);

2.3 平均汇聚（Pooling）

y_hat = torch.repeat_interleave(y_train.mean(), n_test)
plot_kernel_reg(y_hat)

在这里插入图片描述
黄色的点表示训练的点，蓝线表示真实值，红色虚线表示最简单的平均线作为预测（不靠谱）。

2.3 非参数注意力汇聚（Pooling）

使用高斯核：

# X_repeat的形状:(n_test,n_train),
# 每一行都包含着相同的测试输入（例如：同样的查询）
X_repeat = x_test.repeat_interleave(n_train).reshape((-1, n_train))
# x_train包含着键。attention_weights的形状：(n_test,n_train),
# 每一行都包含着要在给定的每个查询的值（y_train）之间分配的注意力权重
attention_weights = nn.functional.softmax(-(X_repeat - x_train)**2 / 2, dim=1)
# y_hat的每个元素都是值的加权平均值，其中的权重是注意力权重
y_hat = torch.matmul(attention_weights, y_train)
plot_kernel_reg(y_hat)

在这里插入图片描述

2.4 注意力权重

这里测试数据的输入相当于查询（Query），而训练数据的输入相当于键（Key）。因为两个输入都是经过排序的，因此由观察可知 “查询-键” 对（Q-K）越接近，注意力汇聚的注意力权重就越高。

d2l.show_heatmaps(attention_weights.unsqueeze(0).unsqueeze(0),
                  xlabel='Sorted training inputs',
                  ylabel='Sorted testing inputs')

在这里插入图片描述

2.5 带参数注意力池化（Pooling）

假定两个张量的形状分别是 $(n, a, b)$ 和 $(n, b, c)$ ，它们的批量矩阵乘法输出的形状为 $(n, a, c)$ ：

X = torch.ones((2, 1, 4))
Y = torch.ones((2, 4, 6))
# bmm 表示批量矩阵乘法函数
torch.bmm(X, Y).shape

在这里插入图片描述

2.5.1 定义模型

class NWKernelRegression(nn.Module):
    def __init__(self, **kwargs):
        super().__init__(**kwargs)
        self.w = nn.Parameter(torch.rand((1,), requires_grad=True))

    def forward(self, queries, keys, values):
        # queries和attention_weights的形状为(查询个数，“键－值”对个数)
        queries = queries.repeat_interleave(keys.shape[1]).reshape((-1, keys.shape[1]))
        self.attention_weights = nn.functional.softmax(
            -((queries - keys) * self.w)**2 / 2, dim=1)
        # values的形状为(查询个数，“键－值”对个数)
        return torch.bmm(self.attention_weights.unsqueeze(1),
                         values.unsqueeze(-1)).reshape(-1)

2.5.2 训练

# X_tile的形状:(n_train，n_train)，每一行都包含着相同的训练输入
X_tile = x_train.repeat((n_train, 1))
# Y_tile的形状:(n_train，n_train)，每一行都包含着相同的训练输出
Y_tile = y_train.repeat((n_train, 1))
# keys的形状:('n_train'，'n_train'-1)
keys = X_tile[(1 - torch.eye(n_train)).type(torch.bool)].reshape((n_train, -1))
# values的形状:('n_train'，'n_train'-1)
values = Y_tile[(1 - torch.eye(n_train)).type(torch.bool)].reshape((n_train, -1))

net = NWKernelRegression()
loss = nn.MSELoss(reduction='none')
trainer = torch.optim.SGD(net.parameters(), lr=0.5)
animator = d2l.Animator(xlabel='epoch', ylabel='loss', xlim=[1, 5])

for epoch in range(5):
    trainer.zero_grad()
    l = loss(net(x_train, keys, values), y_train)
    l.sum().backward()
    trainer.step()
    print(f'epoch {epoch + 1}, loss {float(l.sum()):.6f}')
    animator.add(epoch + 1, float(l.sum()))

在这里插入图片描述

预测结果绘制的线不如之前非参数模型的平滑：

# keys的形状:(n_test，n_train)，每一行包含着相同的训练输入（例如，相同的键）
keys = x_train.repeat((n_test, 1))
# value的形状:(n_test，n_train)
values = y_train.repeat((n_test, 1))
y_hat = net(x_test, keys, values).unsqueeze(1).detach()
plot_kernel_reg(y_hat)

在这里插入图片描述

与非参数的注意力汇聚模型相比，带参数的模型加入可学习的参数后，曲线在注意力权重较大的区域变得更不平滑：

d2l.show_heatmaps(net.attention_weights.unsqueeze(0).unsqueeze(0),
                  xlabel='Sorted training inputs',
                  ylabel='Sorted testing inputs')