图解Attention

关于Attention的公式推导，我在这篇文章讲过了，本篇文章主要以图示的方式进行讲解

下图是一个Encoder架构，$s_0$从值上来说与$h_m$是相等的，只不过这里换了个名字

首先我们需要将$s_0$和所有的$h_i\ (i=1,...,m)$计算一个"相关性"，比方说计算$s_0$和$h_1$之间的相关性计算得$\alpha_1=align(h_1, s_0)$

计算得到m个相关性$\alpha_i$之后，将这些值与$h_i$进行加权平均，即

$$ c_0=\sum_{i=1}^m \alpha_i h_i=\alpha_1h_1+···\alpha_mh_m $$

我们可以直观的感受一下这样做有什么作用，对于那些值比较大的$\alpha_k$，最终$c_0$中也会有一大部分来自于$h_k$。$c_0$实际上考虑到了所有时刻的$h$，只不过对于某些时刻可能关注的更多，而某些时刻关注的更少，这就是注意力机制

之后将$s_0,c_0,x'_1$作为$t=0$时刻Decoder 的输入，计算得到$s_1$，然后再计算$s_1$与所有$h_i\ (i=1,...,m)$之间新的相关性$\alpha_i$

同样的，将新计算得到的$\alpha_i$与$h_i$做加权平均，得到新的context vector $c_1$

重复上述步骤，直到Decoder结束

到这里实际上整个Seq2Seq(with Attention)就讲完了，但是其中还有一些细节，比方说，align()函数怎么设计？$c_i$如何应用到Decoder中？下面一一解释

align()函数如何设计？

有两种方法，在最初的论文，即Bahdanau的论文中，他的设计方式如下图所示

现在比较主流的，同时也是Transformer结构使用的方法如下所示

$c_i$如何应用到Decoder中？

废话不多说，直接见下图