网站虚拟主机共享,网站建设安全需求,网站怎么做才不会被墙,新站seo外包本节课程地址#xff1a;多头注意力代码_哔哩哔哩_bilibili
本节教材地址#xff1a;10.5. 多头注意力 — 动手学深度学习 2.0.0 documentation
本节开源代码#xff1a;...d2l-zhpytorchchapter_multilayer-perceptronsmultihead-attention.ipynb 多头注…本节课程地址多头注意力代码_哔哩哔哩_bilibili
本节教材地址10.5. 多头注意力 — 动手学深度学习 2.0.0 documentation
本节开源代码...d2l-zhpytorchchapter_multilayer-perceptronsmultihead-attention.ipynb 多头注意力
在实践中当给定相同的查询、键和值的集合时 我们希望模型可以基于相同的注意力机制学习到不同的行为 然后将不同的行为作为知识组合起来 捕获序列内各种范围的依赖关系 例如短距离依赖和长距离依赖关系。 因此允许注意力机制组合使用查询、键和值的不同 子空间表示representation subspaces可能是有益的。
为此与其只使用单独一个注意力汇聚 我们可以用独立学习得到的 组不同的 线性投影linear projections来变换查询、键和值。 然后这 组变换后的查询、键和值将并行地送到注意力汇聚中。 最后将这 个注意力汇聚的输出拼接在一起 并且通过另一个可以学习的线性投影进行变换 以产生最终输出。 这种设计被称为多头注意力multihead attention (https://zh.d2l.ai/chapter_references/zreferences.html#id174Vaswaniet al., 2017)。 对于 个注意力汇聚输出每一个注意力汇聚都被称作一个头head。 图10.5.1 展示了使用全连接层来实现可学习的线性变换的多头注意力。 模型
在实现多头注意力之前让我们用数学语言将这个模型形式化地描述出来。 给定查询 、 键 和 值 每个注意力头 的计算方法为 其中可学习的参数包括 、 和 以及代表注意力汇聚的函数 。 可以是 10.3节 中的 加性注意力和缩放点积注意力。 多头注意力的输出需要经过另一个线性转换 它对应着 个头连结后的结果因此其可学习参数是 基于这种设计每个头都可能会关注输入的不同部分 可以表示比简单加权平均值更复杂的函数。
import math
import torch
from torch import nn
from d2l import torch as d2l
实现
在实现过程中通常[选择缩放点积注意力作为每一个注意力头]。 为了避免计算代价和参数代价的大幅增长 我们设定 。 值得注意的是如果将查询、键和值的线性变换的输出数量设置为 则可以并行计算 个头。 在下面的实现中 是通过参数num_hiddens指定的。
#save
class MultiHeadAttention(nn.Module):多头注意力def __init__(self, key_size, query_size, value_size, num_hiddens,num_heads, dropout, biasFalse, **kwargs):super(MultiHeadAttention, self).__init__(**kwargs)self.num_heads num_headsself.attention d2l.DotProductAttention(dropout)self.W_q nn.Linear(query_size, num_hiddens, biasbias)self.W_k nn.Linear(key_size, num_hiddens, biasbias)self.W_v nn.Linear(value_size, num_hiddens, biasbias)self.W_o nn.Linear(num_hiddens, num_hiddens, biasbias)def forward(self, queries, keys, values, valid_lens):# querieskeysvalues的形状:# (batch_size查询或者“键值”对的个数num_hiddens)# valid_lens 的形状:# (batch_size)或(batch_size查询的个数)# 经过变换后输出的querieskeysvalues 的形状:# (batch_size*num_heads查询或者“键值”对的个数# num_hiddens/num_heads)queries transpose_qkv(self.W_q(queries), self.num_heads)keys transpose_qkv(self.W_k(keys), self.num_heads)values transpose_qkv(self.W_v(values), self.num_heads)if valid_lens is not None:# 在轴0将第一项标量或者矢量复制num_heads次# 然后如此复制第二项然后诸如此类。valid_lens torch.repeat_interleave(valid_lens, repeatsself.num_heads, dim0)# output的形状:(batch_size*num_heads查询的个数# num_hiddens/num_heads)output self.attention(queries, keys, values, valid_lens)# output_concat的形状:(batch_size查询的个数num_hiddens)output_concat transpose_output(output, self.num_heads)return self.W_o(output_concat)
为了能够[使多个头并行计算] 上面的MultiHeadAttention类将使用下面定义的两个转置函数。 具体来说transpose_output函数反转了transpose_qkv函数的操作。
#save
def transpose_qkv(X, num_heads):为了多注意力头的并行计算而变换形状# 输入X的形状:(batch_size查询或者“键值”对的个数num_hiddens)# 输出X的形状:(batch_size查询或者“键值”对的个数num_heads# num_hiddens/num_heads)X X.reshape(X.shape[0], X.shape[1], num_heads, -1)# 输出X的形状:(batch_sizenum_heads查询或者“键值”对的个数,# num_hiddens/num_heads)X X.permute(0, 2, 1, 3)# 最终输出的形状:(batch_size*num_heads,查询或者“键值”对的个数,# num_hiddens/num_heads)return X.reshape(-1, X.shape[2], X.shape[3])#save
def transpose_output(X, num_heads):逆转transpose_qkv函数的操作# 输入X的形状:(batch_size*num_heads,查询或者“键值”对的个数,num_hiddens/num_heads)# 输出X的形状:(batch_sizenum_heads查询或者“键值”对的个数num_hiddens/num_heads)X X.reshape(-1, num_heads, X.shape[1], X.shape[2])# 输出X的形状:(batch_size查询或者“键值”对的个数num_headsnum_hiddens/num_heads)X X.permute(0, 2, 1, 3)# 最终输出的形状:((batch_size查询或者“键值”对的个数,num_hiddens)return X.reshape(X.shape[0], X.shape[1], -1)
下面使用键和值相同的小例子来[测试]我们编写的MultiHeadAttention类。 多头注意力输出的形状是batch_sizenum_queriesnum_hiddens。
num_hiddens, num_heads 100, 5
attention MultiHeadAttention(num_hiddens, num_hiddens, num_hiddens,num_hiddens, num_heads, 0.5)
attention.eval()
MultiHeadAttention((attention): DotProductAttention((dropout): Dropout(p0.5, inplaceFalse))(W_q): Linear(in_features100, out_features100, biasFalse)(W_k): Linear(in_features100, out_features100, biasFalse)(W_v): Linear(in_features100, out_features100, biasFalse)(W_o): Linear(in_features100, out_features100, biasFalse)
)
batch_size, num_queries 2, 4
num_kvpairs, valid_lens 6, torch.tensor([3, 2])
X torch.ones((batch_size, num_queries, num_hiddens))
Y torch.ones((batch_size, num_kvpairs, num_hiddens))
attention(X, Y, Y, valid_lens).shape
torch.Size([2, 4, 100])
小结
多头注意力融合了来自于多个注意力汇聚的不同知识这些知识的不同来源于相同的查询、键和值的不同的子空间表示。基于适当的张量操作可以实现多头注意力的并行计算。
练习
分别可视化这个实验中的多个头的注意力权重。
解 代码如下
attention.attention.attention_weights.shape
# (batch_size*num_heads,查询的个数,“键值”对的个数)
输出结果 torch.Size([10, 4, 6])
d2l.show_heatmaps(attention.attention.attention_weights.reshape((2,5,4,6)), xlabelKey positions, ylabelQuery positions, titles[Head %d % i for i in range(1, 6)],figsize(8, 3.5))
输出结果 2. 假设有一个完成训练的基于多头注意力的模型现在希望修剪最不重要的注意力头以提高预测速度。如何设计实验来衡量注意力头的重要性呢
解 首先定义评判注意力头重要性的指标比如预测速度等 然后采用单一变量法修剪某一个头或某几个头的组合重新训练模型并在验证集上评估重要性指标的变化 最后根据重要性指标的变化判断最不重要的一个或几个注意力头并修剪。
