大模型神经网络之注意力机制——attention 原创

“ 注意力机制是Transformer的核心，而注意力的目的却是特征提取 ”

Transformer架构对从事大模型领域的人来说应该不是一个陌生的词汇，而且大家应该都知道Transformer架构的核心点就在于其self-attention自注意力机制；虽然说Transofrmer架构的自注意力机制大名鼎鼎，  但真正了解注意力机制的人好像并不是很多，所以今天我们就来简单了解一下注意力机制。

注意这里说的是注意力机制，不是自注意力机制。

注意力机制

先来思考一个问题，什么是注意力机制？

说到注意力机制可能有些人顾名思义就知道是什么意思了；而有些人可能还没明白什么是注意力机制。

就像神经网络是模仿我们人类大脑神经元一样，注意力机制也是模仿我们人类的信息处理机制——那就是注意力。

我们经常会走神，比如说某人问你问题或和你讲话，你说你没注意，没听到等等；这个就是注意力。而注意力机制，就是用一种数学办法来为注意力进行建模，用来处理大模型对待不同数据所产生的注意力大小。

下面我们来举个例子：

如上图所示，你第一眼看到的是什么？就代表着你的注意力在哪里，然后间接忽略其它次要内容。

再比如说，如果问你这张图片的背景是什么？这时你的注意力会在哪里？ 

如果问你这个小姐姐可能会在什么地方，大概处于一个什么样的环境？这时你的注意力又会在哪里？

现在明白什么是注意力了吧？就是在不同的前提和关注点下，你的注意力会集中在不同的地方。

人在观察事物时会有选择性的关注较为重要的信息，称其为注意力。通过持续关注这一关键位置以获得更多的信息，而忽略其他的无用信息，这种视觉注意力机制大大提高了我们处理信息的效率和准确性。深度学习中的注意力机制和人类视觉的注意力机制类似，就是在更多信息中把注意力集中放在重要的点上，选出关键信息，而忽略其他不重要的信息。

那为什么需要注意力机制，注意力机制解决了哪些问题？

注意力机制被提出来的原因就是解决传统机器学习模型中的长距离依赖信息丢失问题。什么是长距离依赖信息丢失问题？

比如传统的RNN网络——循环神经网络；它需要把全部文本输入到神经网络模型中，虽然这种处理方式并没有什么错；但它存在一个问题，就是当文本过长时，会丢失前面文本的信息，原因就在于模型的处理能力有限。

这个就类似于我们人类的记忆一样，离你时间越久远的东西，你的记忆越模糊。

而注意力机制就恰巧能解决这个问题；举个简单的例子：

如果让你背一篇几十个字的文章，你可能用一会时间就背下来了；即使忘了，随便看一下也能记得起来；但是如果给你一个万字长文，这时你想把它完全背下来并做到不容易忘就很难了。

所以，注意力机制是怎么解决的呢？

一篇万字长文总不可能所有的内容都很重要，它总有一个中心思想，其它的内容都是为了这个表述这个中心思想准备的；因此，在注意力机制中，我不需要把万字长文都背下来，只需要记住其中的中心思想即可。

而这篇万字长文中的中心思想，才是我们需要注意的点，也就是注意力需要集中的地方。

那注意力机制是怎么实现的呢？

其实注意力三个字已经给我们讲的很明白了，你的注意力在哪；哪里就需要注意。但在数学模型中没有注意力这个东西啊，那应该怎么做呢？

这时权重的作用就出现了，所谓的注意力就是对同一个目标的不同点的关注度不一样；而这个关注度就可以用权重来表示。注意力集中的地方，权重就越大，注意力不集中的地方，注意力就越小。

虽然理论上说起来比较简单，但具体实现应该怎么做呢？

在注意力机制中，有三个比较重要的参数——Q，K，V；Q就是你的查询参数，K就是唯一标识，V就是实际值。

举个例子来说，以淘宝或等电商平台的搜索功能来说；Query就是我们在输入框中输入的参数，比如鞋子，衣服等等；然后系统就会给我们返回很多有关鞋子，衣服的店铺，商品等——Key；而我们点进这些店铺或商品详情——Value，就能看到更多关于衣服鞋子等商品的信息。

在注意力机制中，通过把Q，K，V三个参数乘以一个W系数，再进行相加等操作就可以获取到某个数据的权重；而通过这种计算方式，就可以获取到整个输入数据的不同权重，也就产生了多种不同的注意力。

当然，不论是长距离依赖，还是注意力机制，其唯一的目的就是特征提取，以更小的代价，提取更加准确的数据特征。

本文转载自公众号AI探索时代 作者：DFires

原文链接：​​https://mp.weixin.qq.com/s/XHZsR6CW7GvbOqoJwcJsWA​​