67 自注意力【动手学深度学习v2】

深度学习学习笔记
学习视频：https://www.bilibili.com/video/BV19o4y1m7mo/?spm_id_from=autoNext&vd_source=75dce036dc8244310435eaf03de4e330

给定长为n 的序列，每个xi为长为d的向量，自注意力将xi 既当key又当value又当query，这样对每个序列抽取特征得到y1-yn。
yi对应xi抽取的特征，xi是query ， key-value是x1~xn。
给定一个序列，对序列中的每个元素输出，有点像RNN，不需要额外的key’-value，query都是一个东西，都是self就不要decode encode。

跟CNN,RNN对比
CNN 计算复杂度O(knd^2) K 是看的窗口大小（每次看K大小）。并行度是每个输出可以做并行计算。最长路径是假设有个信息要传递到很后的地方，最长序列传过去是n/k。
RNN计算复杂度O(nd^2) 每次矩阵乘法是d^2，并且要做n次。并行度O(1) 也就是很糟糕，必须等上一个时刻做完才能做下一个。最长路径是 x1的信息要一直传递到xn，要经过O（n）的序列。 RNN强时序的模型对序列的记忆比较好，特别擅长记忆一下序列。
自注意力机制（self attention） O(n^2d) 算output时query要和所有的input的做乘法，input长度是d，所有自注意力在序列比较长时，计算量比较大。并行度O（n）每次算yi 时不影响，可以继续算别的。 最长路径O(1)到任何的信息到任何一个输出直接就过去了，不需要再绕，即使在很远的地方也立即抓取过来。
于是自注意力机制比较适合长的序列，是因为设计使得它可以看得比较宽，最长路径是O(1)。
TPU是巨大的矩阵乘法做运算，非常适合attention /transformer这样的架构。

位置编码
和CNN/RNN相比，自注意力没有记录位置信息。加入位置信息的办法是位置编码，不改变注意力机制本身，将位置编码信息放到输入里面。假设有n个输入序列，每个序列d 个特征（n*d），位置编码矩阵也是同样大小的P，包含很多位置信息，将P+X再作为自编码的输入。
奇数列是个sin函数，偶数列是一个cos函数。

x坐标是行数（对应每个样本），曲线分别对应第6-9维。每次加进去一点点信息。

用sin，cos的好处是编码的是相对的位置信息，位置编码i+q可以线性的投影到i的位置信息，投影矩阵和序列中位置i是不相关的 ，这样在一个序列中假设一个词在序列中后两个位置相对应的时候，他们 不论出现在序列的哪个位置，对于位置信息，他们可以通过同样的线性变换w找出来。这样编码，用线性w 建模会比较好找这些句子的相对位置。

自注意力池化层将 xi 既当key，value又当query来抽取对应的yi 作为特征，自注意力池化层就可以给一个序列就能输出它的元素。可以完全并行，最长序列为1，也就说可以看到整个序列的信息。
计算复杂度比较高。
没有位置信息，在输入里面加入位置编码，这样在处理时是有时序信息的。编码用的sin，cos函数，使得序列在哪里相对位置都没有变。

QA：

1. 给一篇文章，给几个问题，在文章中找到答案，类似于nlp中的问答。做一些推理会比较困难（chatGPT？）
2. 自注意力机制可以理解为一个网络层，就像CNN或RNN的一层理解，他就是一个layer