前面阐述注意力理论知识，后面简单描述PyTorch利用注意力实现机器翻译

Effective Approaches to Attention-based Neural Machine Translation

简介

Attention介绍

在翻译的时候，选择性的选择一些重要信息。详情看这篇文章 。

本着简单和有效的原则，本论文提出了两种注意力机制。

Global

每次翻译时，都选择关注所有的单词。和Bahdanau的方式 有点相似，但是更简单些。简单原理介绍。

Local

每次翻译时，只选择关注一部分的单词。介于soft和hard注意力之间。(soft和hard见别的论文)。

优点有下面几个

• 比Global和Soft更好计算
• 局部注意力 随处可见、可微，更好实现和训练。

应用范围

在训练神经网络的时候，注意力机制应用十分广泛。让模型在不同的形式之间，学习对齐等等。有下面一些领域：

• 机器翻译
• 语音识别
• 图片描述
• between image objects and agent actions in the dynamic control problem (不懂，以后再说吧)

神经机器翻译

思想

输入句子x=(x1,x2,?,xn)x=(x1,x2,?,xn) ，输出目标句子y=(y1,y2,?,ym)y=(y1,y2,?,ym) 。

神经机器翻译(Neural machine translation, NMT)，利用神经网络，直接对p(y∣x)p(y∣x) 进行建模。一般由Encoder和Decoder构成。Encoder-Decoder介绍文章链接 。

Encoder把输入句子xx 编码成一个语义向量ss (c表示也可以)，然后由Decoder 一个一个产生目标单词 yiyilogp(y∣x)=m∑j=1logp(yj∣y<j,s)=m∑j=1logp(yj∣y1,?,yj−1,s)log?p(y∣x)=∑j=1mlog?p(yj∣y<j,s)=∑j=1mlog?p(yj∣y1,?,yj−1,s)但是怎么选择Encoder和Decoder（RNN, CNN, GRU, LSTM），怎么去生成语义ss却有很多选择。

概率计算

结合Decoder上一时刻的隐状态hj−1hj−1和encoder给的语义向量ss，通过函数ff ，就可以计算出当前的隐状态hjhj ：hj=f(hj−1,s)hj=f(hj−1,s)通过函数gg对当前隐状态hjhj进行转换，再softmax，就可以得到翻译的目标单词yiyi了（选概率最大的那个）。

gg一般是线性变换，维数变化是[1,h]→[1,vocab_size][1,h]→[1,vocab_size]。p(yj∣y<j,s)=softmaxg(hj)p(yj∣y<j,s)=softmaxg(hj)语义向量ss? 会贯穿整个翻译的过程，每一步翻译都会使用到语义向量的内容，这就是注意力机制。

本论文的模型

本论文采用stack LSTM的构建NMT系统。如下所示：

训练目标是Jt=∑(x,y)−logp(y∣x)Jt=∑(x,y)−log?p(y∣x)

注意力模型

注意力模型广义上分为global和local。Global的attention来自于整个序列，而local的只来自于序列的一部分。

解码总体流程

Decoder时，在时刻tt，要翻译出单词ytyt ，如下步骤：

• 最顶层LSTM的隐状态 htht
• 计算带有原句子信息语义向量ctct。Global和Local的区别在于ctct的计算方式不同
• 串联ht,ctht,ct，计算得到带有注意力的隐状态 ^ht=tanh(Wc[ct;ht])h^t=tanh?(Wc[ct;ht])
• 通过注意力隐状态得到预测概率 p(yt∣y<t,x)=softmax(Ws^ht)p(yt∣y<t,x)=softmax(Wsh^t)

Global Attention

总体思路

在计算ctct 的时候，会考虑整个encoder的隐状态。Decoder当前隐状态htht， Encoder时刻s的隐状态¯hsh¯s。

对齐向量αtαt代表时刻tt 输入序列中的单词对当前单词ytyt 的对齐概率，长度是TxTx， 随着输入句子的长度而改变 。xsxs与ytyt 的对齐概率如下：αt(s)=align(ht,¯hs)=score(ht,¯hs)∑Txi=1score(ht,¯hi),实际上softmaxαt(s)=align(ht,h¯s)=score(ht,h¯s)∑i=1Txscore(ht,h¯i),实际上softmax结合上面的解码总体流程，有下面的流程all(¯hs),ht→αt→ct.ct,ht→^ht.^ht→ytall(h¯s),ht→αt→ct.ct,ht→h^t.h^t→yt简单来说是ht→αt→ct→^ht→ytht→αt→ct→h^t→yt 。

score计算

score(ht,¯hs)score(ht,h¯s) 是一种基于内容content-based的函数，有3种实现方式score(ht,¯hs)=?????hTt¯hsdothTtWa¯hsgeneralvTatanh(Wa[ht;¯hs])concatscore(ht,h¯s)={htTh¯sdothtTWah¯sgeneralvaTtanh?(Wa[ht;h¯s])concat缺点

生成每个目标单词的时候，都必须注意所有的原单词， 这样计算量很大，翻译长序列可能很难，比如段落或者文章。

Local Attention

在生成目标单词的时候，Local会选择性地关注一小部分原单词去计算αt,ctαt,ct，这样就解决了Global的问题。如下图

Soft和Hard注意

Soft 注意 ：类似global注意，权值会放在图片的所有patches中。计算复杂。

Hard 注意： 不同时刻，会选择不同的patch。虽然计算少，但是non-differentiable，并且需要复杂的技术去训练模型，比如方差减少和强化学习。

Local注意

类似于滑动窗口，计算一个对齐位置ptpt，根据经验设置窗口大小DD，那么需要注意的源单词序列是 ：[pt−D,pt+D][pt−D,pt+D]αtαt 的长度就是2D2D，只需要选择这2D2D个单词进行注意力计算，而不是Global的整个序列。

对齐位置选择

对齐位置的选择就很重要，主要有两种办法。

local-m (monotonic) 设置位置， 即以当前单词位置作为对齐位置pt=tpt=tlocal-p (predictive) 预测位置

SS 是输入句子的长度，预测对齐位置如下pt=S⋅sigmoid(vTptanh(Wpht)),pt∈[0,S]pt=S⋅sigmoid(vpTtanh?(Wpht)),pt∈[0,S]对齐向量计算

αtαt的长度就是2D2D，对于每一个s∈[pt−D,pt+D]s∈[pt−D,pt+D]， 为了更好地对齐，添加一个正态分布N(μ,σ2)N(μ,σ2)，其中 μ=pt,σ=D2μ=pt,σ=D2。

计算对齐概率：αt(s)=align(ht,¯hs)exp(−(s−μ)22σ2)=align(ht,¯hs)exp(−2(s−pt)2D2)αt(s)=align(ht,h¯s)exp?(−(s−μ)22σ2)=align(ht,h¯s)exp?(−2(s−pt)2D2)

Input-feeding

前面的Global和Local两种方式中，在每一步的时候，计算每一个attention (实际上是指 ^hth^t)，都是独立的，这样只是次最优的。

在每一步的计算中，这些attention应该有所关联，当前知道之前的attention才对。实际是应该有个coverage set去追踪之前的信息。

我们会把当前的注意^hth^t 作为下一次的输入，并且做一个串联，来计算新的attention，如下图所示

这样有两重意义：

• 模型会知道之前的对齐选择
• 会建立一个水平和垂直都很深的网络

PyTorch实现机器翻译

机器翻译github源代码

计算输入语义

比较简单，使用GRU进行编码，使用outputs作为哥哥句子的编码语义。PyTorch RNN处理变长序列

1234567891011121314151617181920

def forward(self, input_seqs, input_lengths, hidden=None):	‘‘‘ 对输入的多个句子经过GRU计算出语义信息   1. input_seqs > embeded   2. embeded - packed > GRU > outputs - pad -output   Args:       input_seqs: [s, b]       input_lengths: list[int]，每个batch句子的真实长度   Returns:       outputs: [s, b, h]       hidden: [n_layer, b, h]   ‘‘‘   # 一次运行，多个batch，多个序列   embedded = self.embedding(input_seqs)   packed = nn.utils.rnn.pack_padded_sequence(embedded, input_lengths)   outputs, hidden = self.gru(packed, hidden)   outputs, output_length = nn.utils.rnn.pad_packed_sequence(outputs)     # 双向，两个outputs求和   if self.bidir is True:       outputs = outputs[:, :, :self.hidden_size] + outputs[:, :, self.hidden_size:]   return outputs, hidden

计算对齐向量

实际上就是attn_weights， 也就是输入序列对当前要预测的单词的一个注意力分配。

输入输出定义

Encoder的输出，所有语义cc，encoder_outputs， [is, b, h]。 is=input_seq_len是输入句子的长度

当前时刻Decoder的htht， decoder_rnn_output， [ts, b, h] 。实际上ts=1， 因为每次解码一个单词

12345678

def forward(self, rnn_outputs, encoder_outputs):    ‘‘‘ts个时刻，计算ts个与is的对齐向量，也是注意力权值    Args:    	rnn_outputs -- Decoder中GRU的输出[ts, b, h]        encoder_outputs -- Encoder的最后的输出, [is, b, h]    Returns:        attn_weights -- Yt与所有Xs的注意力权值，[b, ts, is]    ‘‘‘

计算得分

使用gerneral的方式，先过神经网络(线性层)，再乘法计算得分

1234

# 过Linear层 (b, h, is)encoder_outputs = self.attn(encoder_outputs).transpose(1, 2)# [b,ts,is] < [b,ts,h] * [b,h,is]attn_energies = rnn_outputs.bmm(encoder_outputs)

softmax计算对齐向量

每一行都是原语义对于某个单词的注意力分配权值向量。对齐向量实际例子

123

# [b,ts,is]attn_weights = my_log_softmax(attn_energies)return attn_weights

计算新的语义

新的语义也就是，对于翻译单词wtwt所需要的带注意力的语义。

输入输出

1234567891011121314151617

def forward(self, input_seqs, last_hidden, encoder_outputs):    ‘‘‘    一次输入(ts, b)，b个句子, ts=target_seq_len    1. input > embedded     2. embedded, last_hidden --GRU-- rnn_output, hidden    3. rnn_output, encoder_outpus --Attn-- attn_weights    4. attn_weights, encoder_outputs --相乘-- context    5. rnn_output, context --变换,tanh,变换-- output     Args:    	input_seqs: [ts, b] batch个上一时刻的输出的单词，id表示。每个batch1个单词        last_hidden: [n_layers, b, h]        encoder_outputs: [is, b, h]    Returns:    	output: 最终的输出，[ts, b, o]        hidden: GRU的隐状态，[nl, b, h]        attn_weights: 对齐向量，[b, ts, is]    ‘‘‘

当前时刻Decoder的隐状态

输入上一时刻的单词和隐状态，通过GRU，计算当前的隐状态。实际上ts=1

12

# (ts, b, h), (nl, b, h)rnn_output, hidden = self.gru(embedded, last_hidden)

计算对齐向量

当前时刻的隐状态 rnn_output 和源句子的语义encoder_outputs，计算对齐向量。对齐向量

每一行都是原句子对当前单词(只有一行)的注意力分配。

1234

# 对齐向量 [b,ts,is]attn_weights = self.attn(rnn_output, encoder_outputs)# 如[0.1, 0.2, 0.7]

计算新的语义

原语义和原语义对当前单词分配的注意力，计算当前需要的新语义。

123

# 新的语义 # [b,ts,h] < [b,ts,is] * [b,is,h]context = attn_weights.bmm(encoder_outputs.transpose(0, 1))

预测当前单词

结合新语义和当前隐状态预测新单词

123456789

# 语义和当前隐状态结合 [ts, b, 2h] < [ts, b, h], [ts, b, h]output_context = torch.cat((rnn_output, context), 2)# [ts, b, h] 线性层2h-houtput_context = self.concat(output_context)concat_output = F.tanh(output_context)# [ts, b, o] 线性层h-ooutput = self.out(concat_output)output = my_log_softmax(output)return output

总结

1234567891011121314151617

# 1. 对齐向量# 过Linear层 (b, h, is)encoder_outputs = self.attn(encoder_outputs).transpose(1, 2)

# 关联矩阵 [b,ts,is] < [b,ts,h] * [b,h,is]attn_energies = rnn_outputs.bmm(encoder_outputs)# 每一行求softmax [b,ts,is] ‘‘‘每一行都是原语义对当前单词的注意力分配向量‘‘‘attn_weights = my_log_softmax(attn_energies)

# 2. 新语义# 新的语义 [b,ts,h] < [b,ts,is] * [b,is,h]context = attn_weights.bmm(encoder_outputs.transpose(0, 1))

# 3. 新语义和当前隐状态结合，输出# 语义和输出 [ts, b, 2h] < [ts, b, h], [ts, b, h]output_context = torch.cat((rnn_output, context), 2)

原文地址：https://www.cnblogs.com/jfdwd/p/11065998.html