Seq2Seq Attention 注意力机制

作者: 莫烦 编辑: 莫烦 2020-08-15

学习资料:

怎么了

不知道你身边有没有说话不经过大脑的人,反正我是有。每每听他们说话总是前言不搭后语。 所以俗话说三思而后行,那么我们在说话之前的三思是在思考什么呢?在我看来就是对说话内容的反复斟酌,又或者是挑重点要点说。 其实这也是NLP中注意力的概念。计算机如果也是听到一句话后一股脑直接开始回答,那么很可能回答也前言不搭后语,特别是当听到的那句话太长, 他们回答起来也特别困难,因为很容易忘记听到的内容。注意力就是用来解决这种失忆或者找不到重点的问题。 我的这个短片简介会让你更加直观得观看到这样的问题。

怎么注意

我们先用视觉上的注意力方案就是,因为可以很直观地看到模型是怎么注意到重要内容的。下面的例子来自这篇论文, 它讲述的是让模型看一张海鸥的图片,然后生成一段对这张图片的文字描述。在生成描述中的每一个词的时候,这个模型都会注意到图片中不同部分。

cnn bird attention

比如在生成bird这个词的时候,第一排图片对应的位置关注到的是图片中鸟的位置,意味着模型看着,生成了bird。 另外在生成water时这是观察到了除鸟以外的水面。

cnn attention word generate

在这批图片中,当要生成画横线的词,模型也会在图片中留意对应的不同位置,这就是计算机视觉中的注意力。但是自然语言的注意力又是怎样的呢? 类比过来,视觉中,模型注意局部的图片信息,那么语言中,模型注意局部的文字信息就好啦。

sentiment attention illustration

上图是一个情感分析的简单例子,如果我要区分一句话的积极程度,我可能会注意到这句话中某些词语的积极程度,因为这些词对于我判断积极句子起到了很大作用。 这样的attention注意力就很好理解了。箭头约粗的部分,模型的注意力就越集中。如果是翻译的情景,那注意力就像下面这样,我也尝试用更详细的图来解释一下。

translation attention illustration

Attention 的方案有很多种,上图描述的和我们这个教程代码中的Attention机制 tfa.seq2seq.LuongAttention() 都是源自这篇论文的方法。 这个方法在 decoder 用预测时,他会用这里的 state,结合上 encoder 中所有词的信息,生成一个注意力权重,比如模型会更加注意 encoder 中的莫烦。 然后再结合这个权重,再次把权重施加到 encoder 中的每个 state,这样就有了对于不同 state step 的不一样关注度,注意力的结果(context)也在这里产生。 接着,把 context 和 decoder 那边的信息再次结合,最终输出注意后的答案。

补充一些数学信息,有兴趣的同学可以看一看。论文中提出了三种计算attention score的方式。 这里的 h_t 是 decoder 见到输入生成的 hidden state, h_hat_s 是 encoder 见到输入时生成的 hidden state。 意思是将decoder每预测一个词, 我都拿着这个decoder现在的信息去和encoder所有信息做注意力的计算。三个公式的不同点就是是否要引入更多的学习参数和变量。

luong_score_func

翻译

在这节内容中,我还是以翻译为例。延续前几次用到日期翻译的例子, 我们知道在翻译的模型中,实际上是要构建一个Encoder,一个Decoder。这节内容我们就是让Decoder在生成语言的时候,也注意到Encoder的对应部分。

# 中文的 "年-月-日" -> "day/month/year"
"98-02-26" -> "26/Feb/1998"

今天的例子就是将中文的日期形式转换成英文的格式,同时我们也会输出类似这样的注意力图,让我们知道在模型生成某些字的时候,它究竟依据的是哪里的信息。 先剧透一下,x轴是中文的年月日,y轴是要生成的英文日月年。

seq2seq date attention

秀代码

先来看训练过程(只想看全套代码的请点这里), 整个训练过程一如既往的简单,生成数据,建立模型,训练模型。数据的生成是我提前写好的utils.DateData()功能,不需要掌握,你可以直接调用。

def train():
    # get and process data
    data = utils.DateData(2000)
    model = Seq2Seq(
        data.num_word, data.num_word, emb_dim=12, units=14, attention_layer_size=16,
        max_pred_len=11, start_token=data.start_token, end_token=data.end_token)

    # training
    for t in range(1000):
        bx, by, decoder_len = data.sample(64)
        loss = model.step(bx, by, decoder_len)

最后你能看到它的整个训练过程。最开始预测成渣渣,但是后面预测结果会好很多。你看刚训练几轮其实效果就已经很不错了,可见注意力的强大。

t:  0 | loss: 3.29403 | input:  89-05-25 | target:  25/May/1989 | inference:  00000000000
t:  70 | loss: 0.41608 | input:  03-09-13 | target:  13/Sep/2003 | inference:  13/Jan/2000<EOS>
t:  140 | loss: 0.01793 | input:  92-06-01 | target:  01/Jun/1992 | inference:  01/Jun/1992<EOS>
t:  210 | loss: 0.00309 | input:  23-01-28 | target:  28/Jan/2023 | inference:  28/Jan/2023<EOS>
...
t:  910 | loss: 0.00003 | input:  11-09-13 | target:  13/Sep/2011 | inference:  13/Sep/2011<EOS>
t:  980 | loss: 0.00003 | input:  06-08-10 | target:  10/Aug/2006 | inference:  10/Aug/2006<EOS>

模型构建时,在encoder部分其实和seq2seq的方法是没有什么变化的。 所以下面的代码和seq2seq也没有什么不同之处。

import tensorflow as tf
from tensorflow import keras
import numpy as np
import tensorflow_addons as tfa


class Seq2Seq(keras.Model):
    def __init__(self, ...):
        super().__init__()
        self.units = units

        # encoder
        self.enc_embeddings = keras.layers.Embedding()  # [enc_n_vocab, emb_dim]
        self.encoder = keras.layers.LSTM(units=units, return_sequences=True, return_state=True)

    def encode(self, x):
        o = self.enc_embeddings(x)
        init_s = [tf.zeros((x.shape[0], self.units)), tf.zeros((x.shape[0], self.units))]
        o, h, c = self.encoder(o, initial_state=init_s)
        return o, h, c   

但是在decoder生成后文的时候,decoder要和encoder的结果有很多的联动,会和encoder的o, h, c结果交叉在一起。 我们可以定义一个set_attention(x), 让模型关注到encoder后的信息。同时来让decoder记录从encoder来的信息和获取decoder的初始化state。

class Seq2Seq(keras.Model):
    def __init__(self, ...):
        ...
        self.attention = tfa.seq2seq.LuongAttention(units, memory=None, memory_sequence_length=None)
        self.decoder_cell = tfa.seq2seq.AttentionWrapper(
            cell=keras.layers.LSTMCell(units=units),
            attention_mechanism=self.attention,
            attention_layer_size=attention_layer_size,
            alignment_history=True,   # for attention visualization
        )
        ...

    def set_attention(self, x):
        o, h, c = self.encode(x)
        # encoder output for attention to focus
        self.attention.setup_memory(o)
        # wrap state by attention wrapper
        s = self.decoder_cell.get_initial_state(batch_size=x.shape[0], dtype=tf.float32).clone(cell_state=[h, c])
        return s

首先我们需要在__init__()中先定义好attention的方法和decoder的处理单元。 现在我们已经为decoding做好的准备,来自encoder的信息在set_attention()中被加工好,处理好了。 接下来就是我们训练encoder+decoder的过程。

class Seq2Seq(keras.Model):
    def __init__(self, ...):
        ...
        # decoder
        self.dec_embeddings = keras.layers.Embedding(
            input_dim=dec_v_dim, output_dim=emb_dim,  # [dec_n_vocab, emb_dim]
            embeddings_initializer=tf.initializers.RandomNormal(0., 0.1),
        )
        decoder_dense = keras.layers.Dense(dec_v_dim)

        # train decoder
        self.decoder_train = tfa.seq2seq.BasicDecoder(
            cell=self.decoder_cell,
            sampler=tfa.seq2seq.sampler.TrainingSampler(),   # sampler for train
            output_layer=decoder_dense
        )
        ...

    def train_logits(self, x, y, seq_len):
        s = self.set_attention(x)  
        dec_in = y[:, :-1]   # ignore <EOS>
        dec_emb_in = self.dec_embeddings(dec_in)
        o, _, _ = self.decoder_train(dec_emb_in, s, sequence_length=seq_len)
        logits = o.rnn_output
        return logits

train_logits()训练的步骤很简单,分几步。

  1. 拿到encoder的attention信息和state;
  2. 筛选出标签;
  3. 把标签在decoder中embed;
  4. 拿着所有缓存的 encoded state (attention memory) 和 encoder最后一步产生 state,放入decoder预测,得到所有的由加了注意力的output。
class Seq2Seq(keras.Model):
    def step(self, x, y, seq_len):
        with tf.GradientTape() as tape:
            logits = self.train_logits(x, y, seq_len)
            dec_out = y[:, 1:]  # ignore <GO>
            loss = self.cross_entropy(dec_out, logits)
            grads = tape.gradient(loss, self.trainable_variables)
        self.opt.apply_gradients(zip(grads, self.trainable_variables))
        return loss.numpy()

最后我们加上传统的训练方案,根据logits加label进行误差计算,并反向更新梯度,整个训练过程就完成了。

但是在预测的时候,和训练就不一样了。因为预测时没有标签信息,我们只能基于预测出来的词,再接着做后续的计算。

class Seq2Seq(keras.Model):
    def inference(self, x):
        s = self.set_attention(x)
        done, i, s = self.decoder_eval.initialize(
            self.dec_embeddings.variables[0],
            start_tokens=tf.fill([x.shape[0], ], self.start_token),
            end_token=self.end_token,
            initial_state=s,
        )
        # 记录每一次的预测结果
        pred_id = np.zeros((x.shape[0], self.max_pred_len), dtype=np.int32)

        # 循环获取每一步的预测
        for l in range(self.max_pred_len):
            o, s, i, done = self.decoder_eval.step(
                time=l, inputs=i, state=s, training=False)
            pred_id[:, l] = o.sample_id

        s.alignment_history.mark_used()  # otherwise gives warning 
        return pred_id

所以在预测时,我们使用到了一个Python的循环,不断生成self.max_pred_len这个多个数的预测结果, 然后用numpy array收集起来,作为最后的预测结果。

最后我还写了一个可视化的功能,具体代码参考这里. 在翻译的时候attention的结果就如下。颜色深的地方就代表越注意。

seq2seq date attention

思考

为什么我们在训练的时候,不把每次decoder出来的词当做下次预测的输入?这个问题我在seq2seq 提到过,不过我在这里做一下具体说明。

fit true label

fit prediction

对比上面两张图,上图是训练时的样子,decoder的输入是真实标签信息。下图是预测时的样子,decoder的输入是上一步预测的值。 首先我们说预测的模式,因为缺少真实的label,我们只能拿着上一步预测的值,当成下一步预测的输入,这点非常明确清晰,没毛病。 但是在训练的时候我们为什么不也这么做呢?拿着标签来预测会不会让学习不连贯,效果不好呢?

其实判断一个训练的好坏,并不只是判断训练是否符合逻辑,当然如果用预测(inference)的方式做训练是符合逻辑的,而且的确是可以训练出来一个好结果的。 但是一般我们却不这么用,为什么呢?其实原因就是训练太慢了,如果现在我们训练一个小孩走路,你有两个方案。

  1. 他摔倒了,把它扶起来继续走路;
  2. 他摔倒了,我不管,让它从原地爬起来自己再走。

如果我们的目标是训练这个小孩的自理能力,那么我肯定选第二种,但是我们只想训练他走路的能力,不care他能不能自理,那我肯定选简单粗暴的第一种。 模型也一样,我只想训练他的生成话术的能力,但是我不care它的自动纠错能力,那么我还是直接用true label训练来的更快。

总结

看过了seq2seq,了解了encoder decoder。我们还在seq2seq上尝试了attention,让模型更加关注自身的结果,让模型更加鲁棒。 下一个我们就要进入到一个将注意力发挥到极致的算法,transformer

降低知识传递的门槛

莫烦的对教育的态度是: 降低知识传递的门槛,不希望给"学习"设置金钱障碍。 这是我花大量业余时间贡献 免费 AI分享的原因。 通过 【赞助】 能及时让我看到你对 【莫烦态度】 的认同,我也更有理由坚持下去。

如果你当前目标是找工作或者转行AI,想接受更加丰富的教学资源、培训辅导体验,我想推荐我的朋友 七月在线 给你, 通过这个 【莫烦Python为你提供的注册链接】, 你将可以获得莫烦专门为你协商的课程优惠券。祝你找/换工作顺利~