10-2 注意力评分函数

10-2节使用了高斯核来对查询和键之间的关系建模。 (10.2.6)中的 高斯核指数部分可以视为注意力评分函数（attention scoring function）， 简称评分函数（scoring function）， 然后把这个函数的输出结果输入到softmax函数中进行运算。 通过上述步骤，将得到与键对应的值的概率分布（即注意力权重）。 最后，注意力汇聚的输出就是基于这些注意力权重的值的加权和。

从宏观来看，上述算法可以用来实现 图10.1.3中的注意力机制框架。 图10.3.1说明了 如何将注意力汇聚的输出计算成为值的加权和， 其中$a$表示注意力评分函数。 由于注意力权重是概率分布， 因此加权和其本质上是加权平均值。

正如上图所示，选择不同的注意力评分函数$a$会导致不同的注意力汇聚操作。 本节将介绍两个流行的评分函数，稍后将用他们来实现更复杂的注意力机制。

import math
import torch
from torch import nn
from d2l import torch as d2l

掩蔽softmax操作

正如上面提到的，softmax操作用于输出一个概率分布作为注意力权重。 在某些情况下，并非所有的值都应该被纳入到注意力汇聚中。 例如，为了在 9-5节中高效处理小批量数据集， 某些文本序列被填充了没有意义的特殊词元。 为了仅将有意义的词元作为值来获取注意力汇聚， 可以指定一个有效序列长度（即词元的个数）， 以便在计算softmax时过滤掉超出指定范围的位置。 下面的masked_softmax函数 实现了这样的掩蔽softmax操作（masked softmax operation）， 其中任何超出有效长度的位置都被掩蔽并置为0。

def masked_softmax(X, valid_lens):

    """通过在最后一个轴上掩蔽元素来执行softmax操作"""
    # X:3D张量，valid_lens:1D或2D张量
    if valid_lens is None:
        return nn.functional.softmax(X, dim=-1)
    # if valid_lens is None:：检查 valid_lens 是否为空。如果为空，则表示不需要进行掩蔽操作。
	# return nn.functional.softmax(X, dim=-1)：如果 valid_lens 为空，直接对 X 在最后一个维度上（dim=-1）执行 softmax 操作，并返回结果。
    else:
        shape = X.shape
        if valid_lens.dim() == 1:
            valid_lens = torch.repeat_interleave(valid_lens, shape[1])
        else:
            valid_lens = valid_lens.reshape(-1)
        
		# else:：如果 valid_lens 不为空，则进入掩蔽处理流程。
		# shape = X.shape：获取张量 X 的形状，并将其存储在变量 shape 中。
		# if valid_lens.dim() == 1:：检查 valid_lens 的维度是否为1。如果是，表示每个样本只有一个有效长度。
		# valid_lens = torch.repeat_interleave(valid_lens, shape[1])：将 valid_lens 中的每个值重复 shape[1] 次，以匹配 X 的形状，从而为每个样本生成一个对应的有效长度。
		# else:：如果 valid_lens 是2D张量。
		# valid_lens = valid_lens.reshape(-1)：将 valid_lens 展平成1D张量，以便后续处理。
		
        # 最后一轴上被掩蔽的元素使用一个非常大的负值替换，从而其softmax输出为0
        X = d2l.sequence_mask(X.reshape(-1, shape[-1]), valid_lens,
                              value=-1e6)
        # X.reshape(-1, shape[-1])：将 X 重塑为二维张量，其中第一个维度为 -1（自动计算），第二个维度为原来的最后一个维度 shape[-1]。
		# d2l.sequence_mask(...)：对 X 进行掩蔽，sequence_mask 函数会将 X 中超出 valid_lens 范围的元素替换为一个非常大的负值（-1e6），以确保这些位置在 softmax 中的输出接近于0。
        return nn.functional.softmax(X.reshape(shape), dim=-1)
        # 将 X 还原为原来的形状，并在最后一个维度上执行 softmax 操作，最终返回结果。

为了演示此函数是如何工作的， 考虑由两个$2\times 4$矩阵表示的样本， 这两个样本的有效长度分别为$2$和$3$。 经过掩蔽softmax操作，超出有效长度的值都被掩蔽为0。

masked_softmax(torch.rand(2, 2, 4), torch.tensor([2, 3]))

同样，也可以使用二维张量，为矩阵样本中的每一行指定有效长度。

masked_softmax(torch.rand(2, 2, 4), torch.tensor([[1, 3], [2, 4]]))

加性注意力

下面来实现加性注意力。

class AdditiveAttention(nn.Module):
    """加性注意力"""
    def __init__(self, key_size, query_size, num_hiddens, dropout, **kwargs):
    # 定义类的初始化函数，接收几个参数：key_size（键的大小）、query_size（查询的大小）、num_hiddens（隐藏层的维度数）和 dropout（dropout 概率），以及额外的关键字参数 **kwargs。
        super(AdditiveAttention, self).__init__(**kwargs)
		# 调用父类 nn.Module 的初始化函数。
        self.W_k = nn.Linear(key_size, num_hiddens, bias=False)
        self.W_q = nn.Linear(query_size, num_hiddens, bias=False)
        self.w_v = nn.Linear(num_hiddens, 1, bias=False)
        self.dropout = nn.Dropout(dropout)

    def forward(self, queries, keys, values, valid_lens):
        queries, keys = self.W_q(queries), self.W_k(keys)
        # 对 queries 和 keys 分别应用线性变换 W_q 和 W_k，将它们转换为相同的隐藏层维度 num_hiddens。
        # 在维度扩展后，
        # queries的形状：(batch_size，查询的个数，1，num_hidden)
        # key的形状：(batch_size，1，“键－值”对的个数，num_hiddens)
        # 使用广播方式进行求和
        features = queries.unsqueeze(2) + keys.unsqueeze(1)
        # 对 queries 张量在第3个维度（索引为2）添加一个维度，使得 queries 的形状变为 (batch_size, 查询的个数, 1, num_hiddens)
        # 对 keys 张量在第2个维度（索引为1）添加一个维度，使得 keys 的形状变为 (batch_size, 1, 键-值对的个数, num_hiddens)。
        # 利用广播机制，将 queries 和 keys 对应位置的张量元素相加，得到 features，其形状为 (batch_size, 查询的个数, 键-值对的个数, num_hiddens)。
        features = torch.tanh(features)
        # 对 features 张量应用 tanh 激活函数，增加非线性能力。
        
        # self.w_v仅有一个输出，因此从形状中移除最后那个维度。
        # scores的形状：(batch_size，查询的个数，“键-值”对的个数)
        scores = self.w_v(features).squeeze(-1)
        self.attention_weights = masked_softmax(scores, valid_lens)
        # 调用 masked_softmax 函数，对 scores 进行掩蔽后应用 softmax，得到注意力权重 self.attention_weights。形状仍然为 (batch_size, 查询的个数, 键-值对的个数)。
        # values的形状：(batch_size，“键－值”对的个数，值的维度)
        return torch.bmm(self.dropout(self.attention_weights), values)
        # self.dropout(self.attention_weights)：对注意力权重 self.attention_weights 应用 Dropout 操作，防止过拟合。
		# torch.bmm(..., values)：使用 torch.bmm（批量矩阵乘法）将注意力权重和 values 进行矩阵乘法。最终输出的形状为 (batch_size, 查询的个数, 值的维度)。
		# 返回结果即为加权后的值，代表加性注意力机制的输出。

用一个小例子来演示上面的AdditiveAttention类， 其中查询、键和值的形状为（批量大小，步数或词元序列长度，特征大小）， 实际输出为$(2,1,20)$、$(2,10,2)$和$(2,10,4)$。 注意力汇聚输出的形状为（批量大小，查询的步数，值的维度）。

queries, keys = torch.normal(0, 1, (2, 1, 20)), torch.ones((2, 10, 2))
# values的小批量，两个值矩阵是相同的
values = torch.arange(40, dtype=torch.float32).reshape(1, 10, 4).repeat(
    2, 1, 1)
valid_lens = torch.tensor([2, 6])

attention = AdditiveAttention(key_size=2, query_size=20, num_hiddens=8,
                              dropout=0.1)
attention.eval()
attention(queries, keys, values, valid_lens)

尽管加性注意力包含了可学习的参数，但由于本例子中每个键都是相同的， 所以注意力权重是均匀的，由指定的有效长度决定。

d2l.show_heatmaps(attention.attention_weights.reshape((1, 1, 2, 10)),
                  xlabel='Keys', ylabel='Queries')

缩放点积注意力

下面的缩放点积注意力的实现使用了暂退法进行模型正则化。

class DotProductAttention(nn.Module):
    """缩放点积注意力"""
    def __init__(self, dropout, **kwargs):
        super(DotProductAttention, self).__init__(**kwargs)
        self.dropout = nn.Dropout(dropout)

    # queries的形状：(batch_size，查询的个数，d)
    # keys的形状：(batch_size，“键－值”对的个数，d)
    # values的形状：(batch_size，“键－值”对的个数，值的维度)
    # valid_lens的形状:(batch_size，)或者(batch_size，查询的个数)
    def forward(self, queries, keys, values, valid_lens=None):
        d = queries.shape[-1]
        # 设置transpose_b=True为了交换keys的最后两个维度
        scores = torch.bmm(queries, keys.transpose(1,2)) / math.sqrt(d)
        self.attention_weights = masked_softmax(scores, valid_lens)
        return torch.bmm(self.dropout(self.attention_weights), values)

为了演示上述的DotProductAttention类， 我们使用与先前加性注意力例子中相同的键、值和有效长度。 对于点积操作，我们令查询的特征维度与键的特征维度大小相同。

queries = torch.normal(0, 1, (2, 1, 2))
attention = DotProductAttention(dropout=0.5)
attention.eval()
attention(queries, keys, values, valid_lens)

与加性注意力演示相同，由于键包含的是相同的元素， 而这些元素无法通过任何查询进行区分，因此获得了均匀的注意力权重。

d2l.show_heatmaps(attention.attention_weights.reshape((1, 1, 2, 10)),
                  xlabel='Keys', ylabel='Queries')

小结

• 将注意力汇聚的输出计算可以作为值的加权平均，选择不同的注意力评分函数会带来不同的注意力汇聚操作。

• 当查询和键是不同长度的矢量时，可以使用可加性注意力评分函数。当它们的长度相同时，使用缩放的“点－积”注意力评分函数的计算效率更高。