RNN模型与NLP应用——（9/9）Self-Attention（自注意力机制）

声明：

       本文基于哔站博主【Shusenwang】的视频课程【RNN模型及NLP应用】，结合自身的理解所作，旨在帮助大家了解学习NLP自然语言处理基础知识。配合着视频课程学习效果更佳。

材料来源：【Shusenwang】的视频课程【RNN模型及NLP应用】

视频链接：RNN模型与NLP应用(9/9)：Self-Attention (自注意力机制)_哔哩哔哩_bilibili

---

一、学习目标

1.简单了解什么是自注意力机制

2.理解自注意力机制的底层逻辑

---

二、Self-Attention——自注意力机制

       我们上节课学习到使用Attention改进Sequence to Sequence模型，Sequence to Sequence模型有两个RNN神经网络（一个Encoder，一个Decoder）。我们今天要学习的是将Attention运用到一个RNN网络 上。

---

前言：

原论文讲的是将Attention与还能用在一个LSTM上，为了简单方便大家理解，本博客将Attention用在Simple RNN上。

Simple RNN与Attention的结合：

1.初始状态下，h0和C0都是全零向量。

标准的SimpleRNN是这样更新h状态向量的：

Self-Attention+Simple RNN是这样的更新h状态向量的：

       有了新的状态向量h后，我们就该计算新的C1（contect vector）， 新的C1是已有状态向量的加权平均。

因为初始状态的h0是全零向量，因此第一个C1=h1

接下来我们更新状态向量h：

然后要计算下一个C，计算下一个C之前我们首先需要计算权重α。α公式如下：

h2将会拿h1做对比，拿h2自己做对比，计算出两个权重α1和α2。C2就是h1和h2的加权平均

按照此过程不断循环计算，计算出新的状态h和C

三、总结

1.self-attention就能解决遗忘的问题

        RNN都有遗忘的问题，比如分析电影评论是正面的还是负面的，如果评论太长，最后一个状态就记不住整句话，不能有效利用整句话的信息。

self-attention每一轮更新状态之前，都会用C看一遍之前所有状态，这样就不会遗忘之前的信息了

       self-attention和Attention的道理是一样的但是self-attention不局限于Sequence to Sequence模型，他可以作用于任何RNN模型

2.除了避免遗忘，Self-Attention还可以帮助RNN关注相关的信息

如下图所示：

红色部分是输入信息，而高亮标出的是权重很大的位置，这些α说明前面最相关的是哪一个。