attention机制原多用于NLP领域，是谷歌提出的transformer架构中的核心概念。现在cv领域也开始越来越多的使用这种方法。本次分享对注意力机制进行了相关的梳理，旨在帮助大家入门attention机制，初步了解attention的结构以及背后原理。
1. attention概念
1.1 什么是attention
attention机制可以认为它是一种资源分配的机制，可以理解为对于原本平均分配的资源根据attention对象的重要程度重新分配资源，重要的单位就多分一点，不重要或者不好的单位就少分一点，在深度神经网络的结构设计中，attention所要分配的资源基本上就是权重了。
视觉注意力分为几种，核心思想是基于原有的数据找到其之间的关联性，然后突出其某些重要特征。
最近读了一些论文，目前接触过的有
- 通道注意力 （CBAM: Convolutional Block Attention Module）
- 时间注意力 （EDVR: Video Restoration with Enhanced Deformable Convolutional Networks）
- 空间注意力 （CBAM: Convolutional Block Attention Module）
- 软注意力 （Learning Texture Transformer Network for Image Super-Resolution）
- 硬注意力 （Learning Texture Transformer Network for Image Super-Resolution）
括号里是提出的论文，感兴趣的同学可以自己了解
1.2 为什么要用attention
attention会参考各个特征之间的关系，从而分配权重。对比起RNN网络attention能够并行化处理。
2. Self-Attention
2.1 Self-Attention的简单理解
可以理解位将队列和一组值与输入对应，即形成querry，key，value向output的映射，output可以看作是value的加权求和，加权值则是由Self-Attention来得出的。
这个公式很难理解，首先将上述的这个公式简化为
然后我们可以一点点拆分这个公式进行分析
1.\(XX^T\)代表什么
一个矩阵\(X\)乘以它自己的转置\(X^T\)，矩阵可以看作由一些向量组成，一个矩阵乘以它自己转置的运算，其实可以看成这些向量分别与其他向量计算内积。
向量的内积，其几何意义是什么？
答：表征两个向量的夹角，表征一个向量在另一个向量上的投影 ，投影的值大，说明两个向量相关度高。
向量之间相关度高表示什么？是不是在一定程度上（不是完全）表示，在特征A的时候，应当给予特征B更多的关注？
2.Softmax的意义
至此，我们理解了公式 中，
的意义。
我们进一步，Softmax的意义何在呢？
答：归一化
我们结合上面图理解，Softmax之后，这些数字的和为1了。我们再想，Attention机制的核心是什么？
加权求和
那么权重从何而来呢？就是这些归一化之后的数字。
在该图中，我们以一个“早上好”作为矩阵\(X\),并以此进行计算\(XX^T\),然后通过\(softmax\),得到每个字相关的权重。即当我们关注"早"这个字的时候，我们应当分配0.4的注意力给它本身，剩下0.4关注"上"，0.2关注"好"。
2.2 Self-Attention的具体实施细节
下图就是Self-Attention的计算机制。已知输入的单词embedding，即\(x_1\)和\(x_2\)，想转换成\(z_1\)和\(z_2\)。
step 1. 特征向量X
step 2. 计算Q，K，V
先把x1转换成三个不一样的向量，分别叫做q1、k1、v1，然后把x2转换成三个不一样的向量，分别叫做q2、k2、v2。那把一个向量变换成另一个向量的最简单的方式是什么？就是乘以矩阵进行变换了。所以，需要三个不同的矩阵Wq、Wk、Wv，即
step 3. 计算组合权重
有了q1、k1、v11和q2、k2、v2，怎么才能得到z1和z2呢？计算过程是这样子的：我们用v1和v2两个向量的线性组合，来得到z1和z2，即
那怎么才能得到组合的权重 θ呢？有
通过上述的整个流程，就可以把输入的x1和x2转换成了z1和z2。这就是Self-Attention机制。
Note
注意，上式中的\(d_k\)是向量q或k的维度，这两个向量的维度一定是一样的，因为要做点积。但是v的维度和向量q或k的维度不一定相同。上式为什么要除以\(d_k\)呢？因为为了防止维数过高时\(QK^T\)的值过大导致softmax函数反向传播时发生梯度消失。那为什么是\(\sqrt{d_k}\)而不是\(d_k\)呢？这就是个经验值，从理论上来说，就是还需要让\(QK^T\)的值适度增加，但不能过度增加，如果是\(d_k\)的话，可能就不增加了。
2.3 如何理解Q，K，V向量
讲到这里，你肯定很困惑为什么要有q、k、v向量，因为这个思路来自于比较早的信息检索领域，q就是query，k就是key，v就是值，(k,v)就是键值对、也就是用query关键词去找到最相关的检索结果。
举个例子，假设query是5G，然后k-v键值对有
k-v: 5G : Huawei
k-v: 4G : Nokia
那query（5G）和key（5G）的相关性是100%，和key（4G）的相关性是50%。这就是为什么用query，key，value这种概念。
2.4 attention 与 self-attention对比
以Encoder-Decoder框架为例，输入Source和输出Target内容是不一样的，比如对于英-中机器翻译来说，Source是英文句子，Target是对应的翻译出的中文句子，Attention发生在Target的元素Query和Source中的所有元素之间。
Self Attention，指的不是Target和Source之间的Attention机制，而是Source内部元素之间或者Target内部元素之间发生的Attention机制，也可以理解为Target=Source这种特殊情况下的Attention。
两者具体计算过程是一样的，只是计算对象发生了变化而已。
2.5. 扩展 Multi-Head Attention
如果用不同的\(W^Q\)、\(W^K\)、\(W^v\)，就能得到不同的Q、K、V。multi-headed Attention就是指用了很多个不同的\(W^Q\)、\(W^K\)、\(W^v\)。
那这样的好处是什么呢？可以让Attention有更丰富的层次。有多个Q,K,V的话，可以分别从多个不同角度来看待Attention。这样的话，输入x，对于不同的multi-headed Attention，就会产生不同的z
那现在一个x就有了多个版本的z，那该怎么结合为一个z呢？
那就将多个版本的z拼接称为一个长向量，然后用一个全连接网络，即乘以一个矩阵，就能得到一个短的z向量。
把multi-headed输出的不同的，组合成最终想要的输出的，这就是multi-headed Attention要做的一个额外的步骤。