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$x=(x_1,x_2,\cdots ,x_n)$ ，输出目标句子$y=(y_1,y_2,\cdots ,y_m)$ 。

神经机器翻译(Neural machine translation, NMT)，利用神经网络，直接对$p(y\mid x)$ 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$x$ 编码成一个语义向量$s$ (c表示也可以)，然后由Decoder 一个一个产生目标单词 $y_i$

$$\log p(y\mid x)=\sum _{j=1}^m\log p(y_j\mid y_{<j},s)=\sum _{j=1}^m\log p(y_j\mid y_1,\cdots ,y_{j-1},s)$$

但是怎么选择Encoder和Decoder（RNN, CNN, GRU, LSTM），怎么去生成语义$s$却有很多选择。

概率计算

结合Decoder上一时刻的隐状态$h_{j-1}$和encoder给的语义向量$s$，通过函数$f$ ，就可以计算出当前的隐状态$h_j$ ：

$$h_j=f(h_{j-1},s)$$

通过函数$g$对当前隐状态**$h_j$进行转换**，再softmax，就可以得到翻译的目标单词$y_i$了（选概率最大的那个）。

$g$一般是线性变换，维数变化是$[1,h]\to [1,vocab\mathrm{\_}size]$。

$$p(y_j\mid y_{<j},s)=\mathrm{softmax}g(h_j)$$

语义向量$s$ 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

$$J_t=\sum _{(x,y)}-\log p(y\mid x)$$

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$t$，要翻译出单词$y_t$ ，如下步骤：

• 最顶层LSTM的隐状态 $h_t$
• 计算带有原句子信息语义向量$c_t$。Global和Local的区别在于$c_t$的计算方式不同
• 串联$h_t,c_t$，计算得到带有注意力的隐状态 ${\hat{h}}_t=\tanh (W_c[c_t;h_t])$
• 通过注意力隐状态得到预测概率 $p(y_t\mid y_{<t},x)=\mathrm{s}\mathrm{o}\mathrm{f}\mathrm{t}\mathrm{m}\mathrm{a}\mathrm{x}({\mathrm{W}}_{\mathrm{s}}{\hat{\mathrm{h}}}_{\mathrm{t}})$

Global Attention

总体思路

在计算$c_t$ 的时候，会考虑整个encoder的隐状态。Decoder当前隐状态$h_t$， Encoder时刻s的隐状态${\overline{h}}_s$。

对齐向量${\alpha }_t$代表时刻$t$ 输入序列中的单词对当前单词$y_t$ 的对齐概率，长度是$T_x$， 随着输入句子的长度而改变 。$x_s$与$y_t$ 的对齐概率如下：

$${\alpha }_t(s)=\mathrm{align}(h_t,{\overline{h}}_s)=\frac{score(h_t,{\overline{h}}_s)}{\sum _{i=1}^{T_x}score(h_t,{\overline{h}}_i)},\mathrm{实}\mathrm{际}\mathrm{上}\mathrm{softmax}$$

结合上面的解码总体流程，有下面的流程

$$all({\overline{h}}_s),h_t\to {\alpha }_t\to c_t.c_t,h_t\to {\hat{h}}_t.{\hat{h}}_t\to y_t$$

简单来说是$h_t\to {\alpha }_t\to c_t\to {\hat{h}}_t\to y_t$ 。

score计算

$score(h_t,{\overline{h}}_s)$ 是一种基于内容content-based的函数，有3种实现方式

$$score(h_t,{\overline{h}}_s)=\{\begin{array}{ll}{h}_t^T{\overline{h}}_s& dot\\ h_t^T{W}_a{\overline{h}}_s& general\\ v_a^T\tanh (W_a[h_t;{\overline{h}}_s])& concat\end{array}$$

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${\alpha }_t,c_t$，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$p_t$，根据经验设置窗口大小$D$，那么需要注意的源单词序列是 ：

$$[p_t-D,p_t+D]$$

${\alpha }_t$ 的长度就是$2D$，只需要选择这$2D$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

$$p_t=t$$

local-p (predictive) 预测位置

$S$ 是输入句子的长度，预测对齐位置如下

$$p_t=S\cdot \mathrm{sigmoid}(v_p^T\tanh (W_p{h}_t)),p_t\in [0,S]$$

对齐向量计算

${\alpha }_t$的长度就是$2D$，对于每一个$s\in [p_t-D,p_t+D]$， 为了更好地对齐，添加一个正态分布$N(\mu ,{\sigma }^2)$，其中 $\mu =p_t,\sigma =\frac{D}{2}$。

计算对齐概率：

$${\alpha }_t(s)=\mathrm{align}(h_t,{\overline{h}}_s)\exp (-\frac{(s-\mu {)}^2}{2{\sigma }^2})=\mathrm{align}(h_t,{\overline{h}}_s)\exp (-\frac{2(s-p_t{)}^2}{D^2})$$

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 ${\hat{h}}_t$)，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${\hat{h}}_t$ 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

 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$c$，encoder_outputs， [is, b, h]。 is=input_seq_len是输入句子的长度

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

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

# 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

# [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$w_t$所需要的带注意力的语义。

输入输出

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

# (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。

# 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。

# 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

# 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-h
output_context = self.concat(output_context)
concat_output = F.tanh(output_context)
# [ts, b, o] 线性层h-o
output = self.out(concat_output)
output = my_log_softmax(output)
return output

总结

# 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)