您现在的位置是：首页 >技术教程 >深入理解深度学习——注意力机制（Attention Mechanism）：注意力汇聚与Nadaraya-Watson 核回归网站首页技术教程

分类目录：《深入理解深度学习》总目录

《深入理解深度学习——注意力机制（Attention Mechanism）：基础知识》介绍了框架下的注意力机制的主要成分： 查询（自主提示）和键（非自主提示）之间的交互形成了注意力汇聚，注意力汇聚有选择地聚合了值（感官输入）以生成最终的输出。 本文将介绍注意力汇聚的更多细节， 以便从宏观上了解注意力机制在实践中的运作方式。 具体来说，1964年提出的Nadaraya-Watson核回归模型是一个简单但完整的例子，可以用于演示具有注意力机制的机器学习。

简单起见，考虑下面这个回归问题： 给定的成对的数据集$\{(x_1,y_1),(x_2,y_2),\cdots ,(x_n,y_n)\}$， 如何学习$f$来预测任意新输入$s$的输出$\hat{y}=f(x)$？根据下面的非线性函数生成一个人工数据集， 其中加入的噪声项为$ϵ$：
$$y_i=2\sin (x_i)+x_i^{0.8}+ϵ$$

平均汇聚

先使用最简单的估计器来解决回归问题。 基于平均汇聚来计算所有训练样本输出值的平均值：
$$f(x)=\frac{1}{n}\sum _{i=1}^n{y}_i$$

但这个估计器的预测函数值和真实函数值相差很大。

非参数注意力汇聚

显然，平均汇聚忽略了输入。 于是Nadaraya和Watson提出了一个更好的想法， 根据输入的位置对输出进行加权：
$$f(x)=\sum _{i=1}^n\frac{K(x-x_i)}{{\sum }_{j=1}^{n}K(x-x_j)}{y}_i$$

其中$K$是核（kernel）。 上式所描述的估计器被称为 Nadaraya-Watson核回归（Nadaraya-Watson Kernel Regression）。 这里不会深入讨论核函数的细节， 但受此启发， 我们可以将注意力机制框架的角度重写上式， 成为一个更加通用的注意力汇聚（Attention Pooling）公式：
$$f(x)=\alpha (x,x_i)$$

其中$x$是查询，$(x_i,y_i)$是键值对。 比较上式和平均汇聚的公式， 注意力汇聚$y_i$是的加权平均。 将查询$x$和键$x_i$之间的关系建模为注意力权重（Attention Weight）$\alpha (x,x_i)$， 如上式所示， 这个权重将被分配给每一个对应值$y_i$。 对于任何查询，模型在所有键值对注意力权重都是一个有效的概率分布： 它们是非负的，并且总和为1。

为了更好地理解注意力汇聚， 下面考虑一个高斯核（Gaussian Kernel），其定义为：
$$K(u)=\frac{1}{\sqrt{2\pi }}\exp (-\frac{u^2}{2})$$

将高斯核代入上式可以得到：
$$\begin{array}{rl}f(x)& =\sum _{i=1}^n\alpha (x,x_i)y_i\\ & =\sum _{i=1}^n\frac{\exp (-\frac{1}{2}(x-x_i){)}^2}{{\sum }_{j=1}^n\exp (-\frac{1}{2}(x-x_j){)}^2}{y}_i\\ & =\sum _{i=1}^n\text{Softmax}(-\frac{1}{2}(x-x_i{)}^2)y_i\end{array}$$

在上式中， 如果一个键越是接近给定的查询， 那么分配给这个键对应值的注意力权重就会越大， 也就“获得了更多的注意力”。值得注意的是，Nadaraya-Watson核回归是一个非参数模型。 因此， 上式是非参数的注意力汇聚（Nonparametric Attention Pooling）模型。 现在来观察注意力的权重。 这里测试数据的输入相当于查询，而训练数据的输入相当于键。 因为两个输入都是经过排序的，因此由观察可知“查询-键”对越接近， 注意力汇聚的注意力权重就越高。

参数注意力汇聚

非参数的Nadaraya-Watson核回归具有一致性（Consistency）的优点： 如果有足够的数据，此模型会收敛到最优结果。 尽管如此，我们还是可以轻松地将可学习的参数集成到注意力汇聚中。例如，与上式略有不同， 在下面的查询$x$和键#$x_i$之间的距离乘以可学习参数：
$$\begin{array}{rl}f(x)& =\sum _{i=1}^n\alpha (x,x_i)y_i\\ & =\sum _{i=1}^n\frac{\exp ((-\frac{1}{2}(x-x_i))w{)}^2}{{\sum }_{j=1}^n\exp (-\frac{1}{2}(x-x_i))w{)}^2}{y}_i\\ & =\sum _{i=1}^n\text{Softmax}(-\frac{1}{2}((x-x_i)w{)}^2)y_i\end{array}$$

参考文献：
[1] Lecun Y, Bengio Y, Hinton G. Deep learning[J]. Nature, 2015
[2] Aston Zhang, Zack C. Lipton, Mu Li, Alex J. Smola. Dive Into Deep Learning[J]. arXiv preprint arXiv:2106.11342, 2021.