人工智能：注意力机制与Transformer模型实战

人工智能：注意力机制与Transformer模型实战

1.1 本章学习目标与重点

💡 学习目标：掌握注意力机制的核心原理、经典注意力算法，以及Transformer模型的架构设计与实战应用。
💡 学习重点：理解自注意力与多头注意力的计算逻辑，学会使用TensorFlow搭建Transformer模型，完成机器翻译任务。

1.2 注意力机制的核心思想

1.2.1 为什么需要注意力机制

💡 传统的RNN和LSTM在处理长序列时，存在长距离依赖捕捉能力不足和并行计算效率低的问题。注意力机制的出现，解决了这两个核心痛点。
注意力机制的本质是让模型学会“聚焦”——在处理序列数据时，自动分配不同的权重给输入序列中的各个元素，重点关注与当前任务相关的信息，弱化无关信息的干扰。
比如在机器翻译任务中，翻译“我爱中国”时，模型会给“我”“爱”“中国”分配不同的注意力权重，从而更精准地生成对应的英文翻译。

1.2.2 注意力机制的基本框架

💡 注意力机制的计算通常包含**查询（Query）、键（Key）、值（Value）**三个核心要素，简称QKV框架。
其计算流程可以总结为三步：
① 计算Query和所有Key的相似度，得到注意力分数
② 对注意力分数进行归一化处理（常用Softmax函数），得到注意力权重
③ 用归一化后的权重对Value进行加权求和，得到最终的注意力输出

基础注意力计算公式：
$$Attention(Q,K,V)=softmax(\frac{Q{K}^T}{\sqrt{d_k}})V$$
其中 $d_k$ 是Key的维度，除以 $\sqrt{d_k}$ 是为了防止内积结果过大，导致Softmax函数饱和。

import tensorflow as tf
import numpy as np

# 实现基础注意力计算
def scaled_dot_product_attention(q, k, v, mask=None):
# 计算Q和K的点积
matmul_qk = tf.matmul(q, k, transpose_b=True)
# 获取k的维度
dk = tf.cast(tf.shape(k)[–1], tf.float32)
# 缩放点积
scaled_attention_logits = matmul_qk / tf.math.sqrt(dk)
# 应用掩码（可选）
if mask is not None:
scaled_attention_logits += (mask * –1e9)
# 计算注意力权重
attention_weights = tf.nn.softmax(scaled_attention_logits, axis=–1)
# 计算最终输出
output = tf.matmul(attention_weights, v)
return output, attention_weights

# 模拟输入：批次大小=2，序列长度=3，特征维度=4
q = tf.random.normal((2, 3, 4))
k = tf.random.normal((2, 3, 4))
v = tf.random.normal((2, 3, 4))

output, attn_weights = scaled_dot_product_attention(q, k, v)
print("注意力输出形状：", output.shape)
print("注意力权重形状：", attn_weights.shape)

⚠️ 注意：掩码（Mask）分为两种，一种是填充掩码，用于屏蔽输入中的无效填充部分；另一种是前瞻掩码，用于在自回归任务中防止模型看到未来的信息。

1.3 自注意力与多头注意力

1.3.1 自注意力机制

💡 自注意力（Self-Attention）是注意力机制的一种特殊形式。在自注意力中，Query、Key、Value三个矩阵都来自同一个输入序列。
自注意力可以捕捉序列内部元素之间的依赖关系，比如在句子“他喜欢打篮球，因为它很有趣”中，模型可以通过自注意力机制，将“它”和“打篮球”关联起来。

自注意力的计算步骤：
① 对输入序列的每个元素，分别通过三个不同的线性变换，生成Q、K、V矩阵
② 按照基础注意力公式计算注意力输出
③ 将注意力输出作为当前层的特征，传递给下一层

1.3.2 多头注意力机制

💡 多头注意力（Multi-Head Attention）是Transformer模型的核心创新点之一。它通过多个并行的注意力头，从不同的角度捕捉序列的特征。
多头注意力的计算流程：
① 将输入序列的特征维度拆分为h个独立的子空间（h为注意力头的数量）
② 对每个子空间分别计算自注意力，得到h个不同的注意力输出
③ 将h个注意力输出拼接起来，再通过一个线性变换，得到最终的多头注意力输出

class MultiHeadAttention(tf.keras.layers.Layer):
def __init__(self, d_model, num_heads):
super(MultiHeadAttention, self).__init__()
self.num_heads = num_heads
self.d_model = d_model
# 确保d_model可以被num_heads整除
assert d_model % self.num_heads == 0
# 每个头的维度
self.depth = d_model // self.num_heads
# 定义Q、K、V和输出的线性变换层
self.wq = tf.keras.layers.Dense(d_model)
self.wk = tf.keras.layers.Dense(d_model)
self.wv = tf.keras.layers.Dense(d_model)
self.dense = tf.keras.layers.Dense(d_model)

def split_heads(self, x, batch_size):
# 将特征维度拆分为多个头
x = tf.reshape(x, (batch_size, –1, self.num_heads, self.depth))
return tf.transpose(x, perm=[0, 2, 1, 3])

def call(self, v, k, q, mask):
batch_size = tf.shape(q)[0]
# 生成Q、K、V矩阵
q = self.wq(q)
k = self.wk(k)
v = self.wv(v)
# 拆分多头
q = self.split_heads(q, batch_size)
k = self.split_heads(k, batch_size)
v = self.split_heads(v, batch_size)
# 计算缩放点积注意力
scaled_attention, attention_weights = scaled_dot_product_attention(q, k, v, mask)
# 拼接多头输出
scaled_attention = tf.transpose(scaled_attention, perm=[0, 2, 1, 3])
concat_attention = tf.reshape(scaled_attention, (batch_size, –1, self.d_model))
# 线性变换输出
output = self.dense(concat_attention)
return output, attention_weights

# 测试多头注意力层
mha = MultiHeadAttention(d_model=128, num_heads=8)
# 模拟输入：批次大小=2，序列长度=5，特征维度=128
x = tf.random.normal((2, 5, 128))
output, attn_weights = mha(x, x, x, mask=None)
print("多头注意力输出形状：", output.shape)
print("多头注意力权重形状：", attn_weights.shape)

1.4 Transformer模型架构详解

💡 Transformer模型由Google团队在2017年的论文《Attention Is All You Need》中提出。它完全基于注意力机制，摒弃了RNN和CNN的序列式结构，实现了高度并行化计算，极大提升了模型的训练效率。
Transformer的整体架构分为**编码器（Encoder）和解码器（Decoder）**两大部分。

1.4.1 编码器结构

编码器由N个相同的编码层堆叠而成，每个编码层包含两个子层：

1.4.2 解码器结构

解码器同样由N个相同的解码层堆叠而成，每个解码层包含三个子层：

1.4.3 位置编码

💡 Transformer模型没有循环结构，无法感知输入序列的顺序信息。因此需要通过位置编码（Positional Encoding），将序列的位置信息注入到输入特征中。
位置编码的计算方式有多种，常用的是正弦余弦位置编码：
$$P{E}_{(pos,2i)}=sin(pos/10000^{2i/d_{model}})$$
$$P{E}_{(pos,2i+1)}=cos(pos/10000^{2i/d_{model}})$$
其中 $pos$ 是元素在序列中的位置，$i$ 是特征维度的索引。

def positional_encoding(position, d_model):
angle_rads = get_angles(np.arange(position)[:, np.newaxis], np.arange(d_model)[np.newaxis, :], d_model)
# 对偶数索引使用sin
angle_rads[:, 0::2] = np.sin(angle_rads[:, 0::2])
# 对奇数索引使用cos
angle_rads[:, 1::2] = np.cos(angle_rads[:, 1::2])
pos_encoding = angle_rads[np.newaxis, ...]
return tf.cast(pos_encoding, dtype=tf.float32)

def get_angles(pos, i, d_model):
angles = 1 / np.power(10000, (2 * (i // 2)) / np.float32(d_model))
return pos * angles

# 生成位置编码：序列长度=100，特征维度=128
pos_enc = positional_encoding(100, 128)
print("位置编码形状：", pos_enc.shape)

1.5 实战：基于Transformer的机器翻译任务

1.5.1 任务介绍与数据集准备

💡 本次实战任务是英-法机器翻译。我们将使用一个小型的英法双语数据集，目标是搭建Transformer模型，实现英文句子到法文句子的自动翻译。

① 加载英法双语数据集，对文本进行预处理：分词、建立词汇表、转换为整数索引序列
② 统一序列长度，对过长的序列进行截断，过短的序列进行填充
③ 划分训练集和测试集，设置批次大小进行数据加载

import tensorflow_datasets as tfds

# 加载英法翻译数据集（示例）
dataset, info = tfds.load('ted_hrlr_translate/fr_to_en', with_info=True, as_supervised=True)
train_examples, val_examples = dataset['train'], dataset['validation']

# 构建分词器
tokenizer_en = tfds.deprecated.text.SubwordTextEncoder.build_from_corpus(
(en.numpy() for en, fr in train_examples), target_vocab_size=2**13)
tokenizer_fr = tfds.deprecated.text.SubwordTextEncoder.build_from_corpus(
(fr.numpy() for en, fr in train_examples), target_vocab_size=2**13)

# 文本处理函数
def encode(lang1, lang2):
# 添加开始和结束标记
lang1 = [tokenizer_en.vocab_size] + tokenizer_en.encode(lang1.numpy()) + [tokenizer_en.vocab_size + 1]
lang2 = [tokenizer_fr.vocab_size] + tokenizer_fr.encode(lang2.numpy()) + [tokenizer_fr.vocab_size + 1]
return lang1, lang2

def tf_encode(en, fr):
return tf.py_function(encode, [en, fr], [tf.int64, tf.int64])

# 设置序列最大长度
MAX_LENGTH = 40
def filter_max_length(x, y, max_length=MAX_LENGTH):
return tf.logical_and(tf.size(x) <= max_length, tf.size(y) <= max_length)

# 处理训练集和验证集
train_dataset = train_examples.map(tf_encode)
train_dataset = train_dataset.filter(filter_max_length)
train_dataset = train_dataset.cache()
train_dataset = train_dataset.shuffle(10000)
train_dataset = train_dataset.padded_batch(64, padded_shapes=([–1], [–1]))
train_dataset = train_dataset.prefetch(tf.data.AUTOTUNE)

val_dataset = val_examples.map(tf_encode)
val_dataset = val_dataset.filter(filter_max_length).padded_batch(64, padded_shapes=([–1], [–1]))

1.5.2 搭建完整的Transformer模型

# 定义前馈神经网络
def point_wise_feed_forward_network(d_model, dff):
return tf.keras.Sequential([
tf.keras.layers.Dense(dff, activation='relu'),
tf.keras.layers.Dense(d_model)
])

# 定义编码层
class EncoderLayer(tf.keras.layers.Layer):
def __init__(self, d_model, num_heads, dff, rate=0.1):
super(EncoderLayer, self).__init__()
self.mha = MultiHeadAttention(d_model, num_heads)
self.ffn = point_wise_feed_forward_network(d_model, dff)
self.layernorm1 = tf.keras.layers.LayerNormalization(epsilon=1e-6)
self.layernorm2 = tf.keras.layers.LayerNormalization(epsilon=1e-6)
self.dropout1 = tf.keras.layers.Dropout(rate)
self.dropout2 = tf.keras.layers.Dropout(rate)

def call(self, x, training, mask):
attn_output, _ = self.mha(x, x, x, mask)
attn_output = self.dropout1(attn_output, training=training)
out1 = self.layernorm1(x + attn_output)
ffn_output = self.ffn(out1)
ffn_output = self.dropout2(ffn_output, training=training)
out2 = self.layernorm2(out1 + ffn_output)
return out2

# 定义解码器层
class DecoderLayer(tf.keras.layers.Layer):
def __init__(self, d_model, num_heads, dff, rate=0.1):
super(DecoderLayer, self).__init__()
self.mha1 = MultiHeadAttention(d_model, num_heads)
self.mha2 = MultiHeadAttention(d_model, num_heads)
self.ffn = point_wise_feed_forward_network(d_model, dff)
self.layernorm1 = tf.keras.layers.LayerNormalization(epsilon=1e-6)
self.layernorm2 = tf.keras.layers.LayerNormalization(epsilon=1e-6)
self.layernorm3 = tf.keras.layers.LayerNormalization(epsilon=1e-6)
self.dropout1 = tf.keras.layers.Dropout(rate)
self.dropout2 = tf.keras.layers.Dropout(rate)
self.dropout3 = tf.keras.layers.Dropout(rate)

def call(self, x, enc_output, training, look_ahead_mask, padding_mask):
attn1, attn_weights_block1 = self.mha1(x, x, x, look_ahead_mask)
attn1 = self.dropout1(attn1, training=training)
out1 = self.layernorm1(attn1 + x)
attn2, attn_weights_block2 = self.mha2(enc_output, enc_output, out1, padding_mask)
attn2 = self.dropout2(attn2, training=training)
out2 = self.layernorm2(attn2 + out1)
ffn_output = self.ffn(out2)
ffn_output = self.dropout3(ffn_output, training=training)
out3 = self.layernorm3(ffn_output + out2)
return out3, attn_weights_block1, attn_weights_block2

# 定义完整编码器
class Encoder(tf.keras.layers.Layer):
def __init__(self, num_layers, d_model, num_heads, dff, input_vocab_size, maximum_position_encoding, rate=0.1):
super(Encoder, self).__init__()
self.d_model = d_model
self.num_layers = num_layers
self.embedding = tf.keras.layers.Embedding(input_vocab_size, d_model)
self.pos_encoding = positional_encoding(maximum_position_encoding, self.d_model)
self.enc_layers = [EncoderLayer(d_model, num_heads, dff, rate) for _ in range(num_layers)]
self.dropout = tf.keras.layers.Dropout(rate)

def call(self, x, training, mask):
seq_len = tf.shape(x)[1]
x = self.embedding(x)
x *= tf.math.sqrt(tf.cast(self.d_model, tf.float32))
x += self.pos_encoding[:, :seq_len, :]
x = self.dropout(x, training=training)
for i in range(self.num_layers):
x = self.enc_layers[i](x, training, mask)
return x

# 定义完整解码器
class Decoder(tf.keras.layers.Layer):
def __init__(self, num_layers, d_model, num_heads, dff, target_vocab_size, maximum_position_encoding, rate=0.1):
super(Decoder, self).__init__()
self.d_model = d_model
self.num_layers = num_layers
self.embedding = tf.keras.layers.Embedding(target_vocab_size, d_model)
self.pos_encoding = positional_encoding(maximum_position_encoding, d_model)
self.dec_layers = [DecoderLayer(d_model, num_heads, dff, rate) for _ in range(num_layers)]
self.dropout = tf.keras.layers.Dropout(rate)

def call(self, x, enc_output, training, look_ahead_mask, padding_mask):
seq_len = tf.shape(x)[1]
attention_weights = {}
x = self.embedding(x)
x *= tf.math.sqrt(tf.cast(self.d_model, tf.float32))
x += self.pos_encoding[:, :seq_len, :]
x = self.dropout(x, training=training)
for i in range(self.num_layers):
x, block1, block2 = self.dec_layers[i](x, enc_output, training, look_ahead_mask, padding_mask)
attention_weights['decoder_layer{}_block1'.format(i+1)] = block1
attention_weights['decoder_layer{}_block2'.format(i+1)] = block2
return x, attention_weights

# 定义完整Transformer模型
class Transformer(tf.keras.Model):
def __init__(self, num_layers, d_model, num_heads, dff, input_vocab_size, target_vocab_size, pe_input, pe_target, rate=0.1):
super(Transformer, self).__init__()
self.encoder = Encoder(num_layers, d_model, num_heads, dff, input_vocab_size, pe_input, rate)
self.decoder = Decoder(num_layers, d_model, num_heads, dff, target_vocab_size, pe_target, rate)
self.final_layer = tf.keras.layers.Dense(target_vocab_size)

def call(self, inp, tar, training, enc_padding_mask, look_ahead_mask, dec_padding_mask):
enc_output = self.encoder(inp, training, enc_padding_mask)
dec_output, attention_weights = self.decoder(tar, enc_output, training, look_ahead_mask, dec_padding_mask)
final_output = self.final_layer(dec_output)
return final_output, attention_weights

# 设置模型参数
num_layers = 4
d_model = 128
dff = 512
num_heads = 8
input_vocab_size = tokenizer_en.vocab_size + 2
target_vocab_size = tokenizer_fr.vocab_size + 2
dropout_rate = 0.1

# 初始化模型
transformer = Transformer(num_layers, d_model, num_heads, dff, input_vocab_size, target_vocab_size, pe_input=1000, pe_target=1000, rate=dropout_rate)

1.5.3 模型编译与训练

💡 机器翻译任务属于序列生成任务，我们使用稀疏交叉熵损失函数，优化器选择Adam，并设置学习率衰减策略。

# 定义学习率调度器
class CustomSchedule(tf.keras.optimizers.schedules.LearningRateSchedule):
def __init__(self, d_model, warmup_steps=4000):
super(CustomSchedule, self).__init__()
self.d_model = d_model
self.d_model = tf.cast(self.d_model, tf.float32)
self.warmup_steps = warmup_steps

def __call__(self, step):
arg1 = tf.math.rsqrt(step)
arg2 = step * (self.warmup_steps ** –1.5)
return tf.math.rsqrt(self.d_model) * tf.math.minimum(arg1, arg2)

# 初始化学习率和优化器
learning_rate = CustomSchedule(d_model)
optimizer = tf.keras.optimizers.Adam(learning_rate, beta_1=0.9, beta_2=0.98, epsilon=1e-9)

# 定义损失函数和评估指标
loss_object = tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True, reduction='none')
def loss_function(real, pred):
mask = tf.math.logical_not(tf.math.equal(real, 0))
loss_ = loss_object(real, pred)
mask = tf.cast(mask, dtype=loss_.dtype)
loss_ *= mask
return tf.reduce_sum(loss_) / tf.reduce_sum(mask)

train_loss = tf.keras.metrics.Mean(name='train_loss')
train_accuracy = tf.keras.metrics.SparseCategoricalAccuracy(name='train_accuracy')

# 定义训练步骤
@tf.function
def train_step(inp, tar):
tar_inp = tar[:, :–1]
tar_real = tar[:, 1:]
enc_padding_mask, combined_mask, dec_padding_mask = create_masks(inp, tar_inp)
with tf.GradientTape() as tape:
predictions, _ = transformer(inp, tar_inp, True, enc_padding_mask, combined_mask, dec_padding_mask)
loss = loss_function(tar_real, predictions)
gradients = tape.gradient(loss, transformer.trainable_variables)
optimizer.apply_gradients(zip(gradients, transformer.trainable_variables))
train_loss(loss)
train_accuracy(tar_real, predictions)

# 定义掩码生成函数
def create_masks(inp, tar):
enc_padding_mask = create_padding_mask(inp)
dec_padding_mask = create_padding_mask(inp)
look_ahead_mask = create_look_ahead_mask(tf.shape(tar)[1])
dec_target_padding_mask = create_padding_mask(tar)
combined_mask = tf.maximum(dec_target_padding_mask, look_ahead_mask)
return enc_padding_mask, combined_mask, dec_padding_mask

def create_padding_mask(seq):
seq = tf.cast(tf.math.equal(seq, 0), tf.float32)
return seq[:, tf.newaxis, tf.newaxis, :]

def create_look_ahead_mask(size):
mask = 1 – tf.linalg.band_part(tf.ones((size, size)), –1, 0)
return mask

# 开始训练
EPOCHS = 20
for epoch in range(EPOCHS):
train_loss.reset_states()
train_accuracy.reset_states()
for (batch, (inp, tar)) in enumerate(train_dataset):
train_step(inp, tar)
if batch % 50 == 0:
print(f'Epoch {epoch+1} Batch {batch} Loss {train_loss.result():.4f} Accuracy {train_accuracy.result():.4f}')
print(f'Epoch {epoch+1} Loss {train_loss.result():.4f} Accuracy {train_accuracy.result():.4f}')

1.5.4 模型优化技巧

💡 技巧 1：使用标签平滑（Label Smoothing）技术，缓解模型过拟合，提升泛化能力。
💡 技巧 2：采用波束搜索（Beam Search）替代贪心搜索，生成更流畅、更准确的翻译结果。
💡 技巧 3：使用预训练的词向量初始化嵌入层，提升模型的特征表示能力。

1.6 本章总结

✅ 注意力机制通过QKV框架，让模型学会聚焦序列中的关键信息，解决了长序列依赖问题。
✅ 多头注意力从多个角度捕捉序列特征，是Transformer模型的核心组件。
✅ Transformer模型完全基于注意力机制，实现了高度并行化计算，在机器翻译、文本生成等任务中表现优异。