背景
上一期有解释到Attention Mechanism的本质or解决的是什么问题。
简短的回顾下：
首先，在我的NLP系列第十三期提到的最基础Seq2Seq模型中，Encoder将原始文本“转化”为 一个hidden State，然后Decoder将此hidden state“解压”为目标文本；
但是，其问题是，对于较长的句子。仅仅由一个Hidden State，很难生成准确的目标语句；
面对此问题，Attention Mechanism的应对方法是将原始语句中，每个词的Hidden State都作为输入的一部分。并且找出需要重点关注的部分，即需要Attention的部分
但是上期也遗留来一个关键问题，那就是如何自动计算出哪一部分需要重点关注呢？
Attention Mechanism
上一期将Attention Mechanism 概念化成 Dynamic Memory Access（动态记忆获取）， Word Alignment（软对齐）的方法。那么接下来将介绍具体如何实现的。
首先，与基础Seq2Seq模型不同的是 Attention Mechanism将Encoder（蓝色部分）的所有Hidden State 都引入到Decoder中来；
那么如下图，当我们需要翻译第二个单词时，我们所拥有的信息是什么呢：
- 上一个红色部分传递过来的Hidden State， Ht-1
- 所有蓝色部分的Hidden State
大家直观就能看出来，当我们翻译第二个单词时，重点需要放在“am”这个单词上。Attention Mechanism的思路也很直接，将 ht-1 分别与蓝色的每个Hidden State 打分（score）。我看到这里时，我有很多疑问。
这个Score 意味着什么？ 它到底是对什么打分的呢？ 接下来与大家分享下我的思考。
假设我们的例子是要将“I am a student” 翻译成“我是一个学生”
我们对什么打分Score？
- 首先，要回答Score意味着什么，就要看Ht-1 和 Hs 分别是什么？ Ht-1（上一个红色框传递来的Hidden State）。看到NLP-13期的朋友可能有印象。当传统Seq2Seq没有Attention Mechanism时，唯一的信息来源就是上一个框框传递来的Hidden State。所以，也可以理解为Ht-1 不仅限但包含了 此位子目标单词的内容。
- Hs 分别代表着蓝色每个框框的Hidden State，即包含每个单词（含语境）的信息；
- 总结下上述两点。Ht-1 包含了“是”这个目标单词的信息；而Hs包含了每个单词的信息，其中有一个单词是“am”
我们打分意味着什么？
知道了Ht-1 和 Hs的意义，那么回到我们的任务 我们需要翻译出“am”这个单词。我们除了拿到Ht-1之外，我们还希望能拿到 “am”对应的Hidden State；
所以打分的意义就是帮助我们找到想要的Hs
Normalization
当我们遵循上图的步骤计算出每个蓝色Hidden State 的Score之后，如下图。
接下来就是将其转化为出现的概率。类似与Softmax的处理。最终如下图2，形成一个按照权重综合的向量。此向量导入到我们的Decoder中去。
总结下
Attention Mechansim的思路是，将Ht-1 与 Enocder中每个Hidden State 打分。然后基于打分的权重制作一个新的Vector。并且将此Vector传递到Deocder中去。那么此时Decoder不但拥有了上一个Sequence传递过来的Hidden State（Ht-1）还拥有了“对应”单词的Hidden State。
这也就达到了我们的目标：在NLP-13期提到了 普通的Seq2Seq仅仅依据一个浓缩整个句子的Hidden State很难“转化”成一个较长的句子。那么，Attention Mechanism 所做到的是，不仅有代表整个句子的Hidden State，还有对应单词的Hidden State。 那么使得翻译更长的句子成为可能。下图是来自于公开课的截图，大家能看到当句子长度增加时，红色部分表现下降明显。而Attention 表现很稳定。
Attention Mechanism Function
上面阐述了Attention Mechanism的思路，但是其中有一个比较重要的点单独拿出来讲。上面讲到了Score，也讲到了Score的意义。但是如何计算Score，公式有哪些呢？ 接下来我也与大家分享下我的理解。
我的理解，这个Score类似于“相关性”计算。 这个相关性代表着 “am” 这个单词的Hidden State 与 Ht-1的相关性。
我们可以换个角度理解此相关性。Encoder-Decoder 其实是一个压缩与解压的过程。 假设我们是将“one two three" 翻译成 “一 二 三”。那么Encoder 按照顺序压缩“one two three”最终形成一个Hidden State；然后Decoder 输入Hidden State， 分别解压出“一 二 三”。
并且，解压“一 二 三”的过程并不是同步的，而是一个Hidden State传递的过程。 那么当我们翻译“二”时，我们除了从“一”收到一个Ht-1，我们还应该收到“two”的Hidden State。那么这个Score的相关性，也可以理解成 “压缩中的位子” 与 “解压的位子”的 对齐。
至于具体的公式，有以下几种。其中第一种，就是相乘。两个向量相乘，值越大，某种程度上代表着相关性越高。
其他疑问
有一个问题，我也想了蛮久。转了下牛角尖。可能大家也会遇到，与大家分享下。
我的疑问是，既然是打分。不论是上述三个公式的哪一个。每个Encoder的Hidden State都能计算出一个分数。 如何保证，当我翻译“二”的时候，我能拿到“two”的Hidden State呢？ 万一拿到“one”的Hidden State也非常可能的啊。
换句话说，我的疑问是，虽然Attention 给出了方法，但是怎么保证真的能给出“two”的Hidden State呢？
话说这个问题我琢磨了很久。我之前又想歪了。
首先，我们讨论的是机器学习的问题。那么自然会有一个学习的过程；
其次，当Attention 给错Hidden State时，那么最终结果的loss function会比较大。那么还需要通过Gradient Descent降低loss；
然后，Score 是由两个Hidden State 相乘，所以换句话说，Score也是由RNN神经网络中的参数影响的。那么意味着，当Hidde State值变化时，Score也会变化；
然后，神经网络的训练，自然会改变RNN的参数，也自然会改变Score，经过训练下降Loss，也代表着Score越来越准确；
最后，按照神经网络的思路的理解，Score的出现，相当于给了神经网络多一个参数，或者说优化的目标。 训练的过程就是让Score准确的过程。
所以，不应该理解成，Attention 怎么就能够保证 我们能拿到想要的Hidden State。而应该理解成，有了Attention，相当于给了神经网络找到正确Hidden State 一个奖励或者找到错误Hidden State一个处罚。那么，意味着经过训练，Score 会越来越准确。
总结与下期预告
本期与大家分享了Attention Mechanism 是如何做到将注意力放到正确的地方。当我翻译“二”的时候，我会取到“two”的hidden state。
其实Attention 的思路很直接，就是将每个Encoder中的Hidden State 与Ht-1 打分。然后基于打分权重将其引入到Decoder中来。 那么理想的效果是，当我需要翻译“二”时，我不仅拥有了之前代表这个Encoder 的Hidden State，也拥有了对应“two”的Hidden State。那么翻译的效率自然会得到提高。
最后，之前感觉Attention Mechanism蛮难的。 但是，实际上还是可以通俗的理解的。并且我看到的代码也不难，因为有很多大神的各种lib。哈哈
下一期，会给大家带来Beam Search。
Beam Search+Attention+Seq2Seq 基本上就是Google牛逼的神经网络翻译NMT的雏形了。有点小激动的说。。。
閱讀更多 繁林林與機器學習 的文章
