本文主要是介绍MultiHeadAttention在Tensorflow中的实现原理，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
前言
通过这篇文章，你可以学习到Tensorflow实现MultiHeadAttention的底层原理。
一、MultiHeadAttention的本质内涵
1.Self_Atention机制
MultiHeadAttention是Self_Atention的多头堆嵌，有必要对Self_Atention机制进行一次深入浅出的理解，这也是MultiHeadAttention的核心所在。
Self_Attention并不直接使用输入向量，而是先将其进行映射，使得输入向量在每个位置上产生一个query和context，context充当字典。在context的每个位置都提供一个key和value向量。
query：尝试去获取某类信息的序列。
context：包含key序列和value序列，是query感兴趣的内容。
最终输出的形状将与query序列相同。
一个常见的类比是，这种操作就像字典查询。一个模糊的、可区分的、矢量的字典查询。
如下是一个普通的 python 字典类型数据，有 3 个键和 3 个值，并被传递给一个query——"What color is it ?"。这个query会与key="color"最契合，最终得到查询结果value="blue"
。
query是你要尝试去找的东西。key表示字典里有哪些信息，而value就是这些信息。当你在正则字典中查找一个query时，字典会找到匹配的key，并返回其相关的value。这个查询要么有一个匹配的键，要么没有。你可以想象一个模糊的字典，其中的键不一定要完全匹配。如果你在上面的字典中查找 query—"What species is it ?"，也许你希望它返回 key="type"，value="pickup"，因为那是与query最匹配的key和value。
注意力层就像这样做了一个模糊查找，但它不仅仅是在寻找最好的key，而是根据query与每个key的匹配程度来组合这些value。
那是如何做到这一点的呢？在注意力层中，query、key和value都是向量。注意力层不是简单地做哈希查找，而是结合query和key向量来确定它们的匹配程度——计算query和key的向量点积，再将所有匹配程度经过Softmax映射完后，即得到 "注意力得分"。最终该层返回所有value的加权平均值，以 "注意力分数 "为权重。
对于一段具体的文本来说，每一个字都会引发一个疑问query，并提供一个关键值key和一个目标内容value。每个query都会去寻找感兴趣的key，并按注意力分数提取并组合value，
图中越粗的红线对应的attention权重更大，query与key的紧密程度也越近。attention权重如此分布也是很符合情理的，要想回答query =“他是谁？”，我们很大可能会在“是”后面寻找答案，因为“爱人”提供的信息最多，所以它俩的attention权重最大。
总的来说，Self_Attention模拟的是一个符合人脑思维逻辑的研究过程。每当遇到一些新的信息，我们总会产生一定量的疑问（query），为了解决疑问，我们需要在信息中捕捉关键字（key），进而凝练出该关键字中所蕴涵的答案（value）。特定的疑问（query）需要联系特定的关键字（key），进而得出最终答案，这个最终答案往往是折合了不同value而得来的。
2.MultiHead_Atention机制
在不同情景中，字引发的query是不同的，例如，
“他是男的，已婚。”
query可以是”他的性别是什么？”，或者”他结婚了吗？”。不同的query会产生不同的注意力分数。单一的Self_attention无法捕捉多层面query和key之间的依赖关系，因为它只进行一次attention的分配。意在解决此类局限性，MultiHead_Atention会计算多次Self_attention。
利用MultiHead_Atention机制，可以为每一个输入学习到一个信息量丰富的向量表示。
二、使MultiHeadAttention在TensorFlow中的代码实现
1.参数说明
TensorFlow中是用tf.keras.layers.MultiHeadAttention()实现的。它的参数分为两类，一种参数为初始化参数，存在于__init__方法中；另一种为调用参数，存在于call方法中。
主要的初始化参数：
num_heads：Self_Attention的层数
key_dim：query和key多头映射层的输出shape在axis=-1上的长度。因为后续需要计算query和key的点积，所以需要保证query和key在最后一个轴上的长度相等。
value_dim：value多头映射层的输出shape在axis=-1上的长度。如果不指定，则默认等于key_dim
output_shape: 指定输入经过整个MultiHeadAttention层后的输出shape，默认与进入query多头映射层的输入shape相同
主要的call方法参数：
''' B即Batch_size，每一批中的样本数；
T是query的个数，即一段序列产生的疑问个数；S是value和key的个数，即一段序列产生的关键字和关键信息的个数，序列产生的key和value是成对出现的，所以value映射层 和key映射层的输入张量在axis=1处的长度S相同。T和S是可以随意指定的，只需在样本集进入Embedding层之前，先通过一个dense层进行T和S的指定（T和S等于各自dense层中的神经元个数）。例如，文本集shape=(B, S)，经过一个具有T个神经元的Dense层→shape=(B, T)，再经Embedding层→shape=(B, T, dim)，得到query映射层的输入张量。当然，如果不愿如此麻烦，可直接将经Embedding层得到shape=(B, S, dim)的张量作为query映射层的输入；
dim通常是Embedding向量的长度（每个字对应一个Embedding向量）'''
query：输入query多头映射层且shape为(B, T, dim)的张量
value：输入value多头映射层且shape为(B, S, dim)的张量
key：输入key多头映射层且shape为(B, S, dim)的张量，如果未指定，则key=value
use_causal_mask：布尔值，是否开启causal_mask（因果掩码）机制
2.整体结构
tf.keras.layers.MultiHeadAttention类中call()方法的逻辑过程就是MultiHeadAttention的前向传播过程，我将其提炼成以下三部分，
''' 多头映射层 '''query = self._query_dense(query)key = self._key_dense(key)value = self._value_dense(value)''' 注意力层 '''attention_output, attention_scores = self._compute_attention(query, key, value, attention_mask, training)''' 输出层 '''attention_output = self._output_dense(attention_output)3.多头映射层
由query多头映射层—query_dense，value多头映射层—value_dense，key多头映射层—key_dense组成。
每个映射层执行的张量运算是一样的，张量运算逻辑为，
' abc , cde -> abde '
该层的训练参数总数为，
4.注意力层
计算query与key之间的内积，张量运算逻辑为，
' aecd, abcd -> acbe '
内积能够反映向量之间的相关程度，内积结果越大则相关性越大，联系也越紧密。得到query和key的内积后，为了得到attention分数，需要将内积结果进行softmax映射。
sttention_scores张量可视作一个B行num_heads列的矩阵，其矩阵中的元素均是T行S列的注意力分数矩阵。当输入是大序列（比如音频序列）时，TransFormer需要维护的注意力分数矩阵将呈
曲线式增长，这种庞大的数据量将会对TransFormer训练和推理的效率和速度产生严重的影响，在内存上的要求也会成
最后利用attention分数对value进行加权叠加，张量运算逻辑为，
'acbe,aecd->abcd'
注意：如果指定use_causal_mask=True引入Causal_Mask（因果掩码）机制，则在softmax映射时，会传入一个左下三角为True右上三角为False的，布尔类型的，且与attention_scores.shape相同掩码张量，此时掩码张量中为False的对应位置（对应attention内积张量）将会被softmax忽略。如此一来就会导致每个query只会与当前及其以前的key进行内积，并不会考虑未来的key。进而导致在每个query处产生的新value只会是当前value与过往value在sttention分数上的加权叠加。这样的结构是因果的，符合在预测中结果会对输入产生影响的因果逻辑。因果掩码会在Decoder中使用。
注意力层无可训练的参数。
5.输出映射层
属于MultiHeadAttention的最后一层，负责将注意力层得到的value在sttention分数上的加权叠加后的张量进行输出映射。张量运算逻辑为，
' abcd, cde -> abe '
该层训练参数总共为，
验证
import tensorflow as tflayer = tf.keras.layers.MultiHeadAttention(num_heads=2, key_dim=2)
target = tf.keras.Input(shape=[9, 16])
source = tf.keras.Input(shape=[4, 16])
output_tensor, weights = layer(query=target, value=source,return_attention_scores=True)''' 手动计算训练参数总数 '''
sum = 16*2*2*3+2*2*3+2*2*16+16
print(f'手动计算的训练参数总数为 : {sum}')
print(f'训练参数总共为 : {layer.count_params()}')
print(f'输出shape为 : {output_tensor.shape}')
print(f'注意力分数shape为 : {weights.shape}')手动计算的训练参数总数为 : 284
训练参数总共为 : 284
输出shape为 : (None, 9, 16)
注意力分数shape为 : (None, 2, 9, 4)
这篇关于MultiHeadAttention在Tensorflow中的实现原理的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
