【深度学习】Attention、Self-Attention、Multi-Head Attention

🕗 发布于 2024-04-19 11:37 深度学习 人工智能

一、Attention

在CV领域，注意力机制通常分为通道注意力和空间注意力或者两者结合。

一张图像经backbone得到的特征通常包括多个通道，每个通道是一个像素矩阵，每个通道对任务的贡献不尽相同，单个通道的特征图中每个像素对任务的贡献也不尽相同。注意力机制就是希望通过加权的方式凸显其中重要的通道或像素。

1. SE

1.1 概念

Squeeze-and-Excitation Networks (SENet)是通道注意力的代表性工作，它为每个通道分配一个权重，其结构图如下：

如图， $\boldsymbol{x}$ 经 $F_{tr}(\cdot,\theta)$ 提取得到维度为 $c_2,h,w]$ 的特征，之后按照如下步骤获取各通道权重并完成加权：
(1) 对特征进行全局平均池化，每个通道都被池化为一个特征点，形成长度为 $c_2$ 的特征向量。
(2) 经过两次全连接（两层的MLP），第一层神经元个数较少，第二层神经元个数为 $c_2$ 。
(3) 第二层全连接输出经Sigmoid将值固定到0-1之间，即可得到分配给每个通道的权重。
(4) 将权重乘以对应通道的特征图。

1.2 实现

import torch
from torch import nn


class se_block(nn.Module):
    def __init__(self, channel, ratio=16):
        super().__init__()
        self.avg_pool = nn.AdaptiveAvgPool2d((1, 1))
        self.fc1 = nn.Linear(channel, channel // ratio, bias=False)
        self.relu = nn.ReLU(inplace=True)
        self.fc2 = nn.Linear(channel // ratio, channel, bias=False)
        self.sigmoid = nn.Sigmoid()

    def forward(self, x):
        w = self.avg_pool(x).squeeze(-1).squeeze(-1)  # [8, 512, 24, 24] -> [8, 512, 1, 1] -> [8, 512, 1] -> [8, 512]
        w = self.relu(self.fc1(w))  # [8, 512] -> [8, 32]
        w = self.sigmoid(self.fc2(w)).unsqueeze(2).unsqueeze(3)  # [8, 32] -> [8, 512] -> [8, 512, 1] -> [8, 512, 1, 1]
        return w * x

if __name__ == "__main__":
x = torch.randn((8, 512, 24, 24))
se = se_block(512)
x_se = se(x)

2. ECA

2.1 概念

ECA-Net: Efficient Channel Attention for Deep Convolutional Neural Networks也是一种通道注意力方法，对SENet做了改进。ECA认为通过全连接捕捉所有通道的信息是没有必要的，并且CNN具有良好的跨通道信息捕捉能力，于是ECA将两层全连接替换成了一层1D卷积。如下图，左图是SE模块，右图是ECA模块。

可以看出，将全连接替换为1D卷积后多了一个关键参数，即卷积核大小 $k$ 。ECA通过下式确定 $k$ ：

其中， $C$ 为通道数 $，\gamma$ 和 $b$ 是超参数，在ECA中被分别设为2和1， $|\cdot|_{odd}$ 表示取绝对值后再取最近的奇数。

2.2 实现

import math
import torch
from torch import nn


class eca_block(nn.Module):
    def __init__(self, channel, gamma=2, b=1):
        super().__init__()
        self.avg_pool = nn.AdaptiveAvgPool2d((1, 1))

        kernel_size = int(abs(math.log(channel, 2) / gamma + b / gamma))
        kernel_size = kernel_size if kernel_size % 2 else kernel_size + 1  # 是奇数不变，是偶数+1

        self.conv = nn.Conv1d(1, 1, kernel_size=kernel_size, padding=kernel_size // 2, bias=False)  # 输入和输出通道数均为1，需要padding才能保证输出特征长度为channel
        self.sigmoid = nn.Sigmoid()

    def forward(self, x):
        w = self.avg_pool(x).squeeze(-1).transpose(1, 2)  # [8, 512, 24, 24] -> [8, 512, 1, 1] -> [8, 512, 1] -> [8, 1, 512]
        w = self.sigmoid(self.conv(w)).transpose(1, 2).unsqueeze(-1)  # [8, 1, 512] -> [8, 512, 1] -> [8, 512, 1, 1]
        return w * x


if __name__ == "__main__":
    x = torch.randn((8, 512, 24, 24))
    eca = eca_block(512)
    x_eca = eca(x)

3. CBAM

3.1 概念

CBAM: Convolutional Block Attention Module 结合了通道和空间注意力。

如图所示，CBAM先进行通道注意力然后再进行空间注意力。

对于通道注意力，其结构图如下：

可见，在通道注意力方面，CBAM与SE的差别为在池化时前者多了最大池化，于是在Sigmoid前两个池化向量经MLP的输出要先合并。

对于空间注意力，其结构图如下：

同样地，空间注意力部分也进行两种池化最大和平均，不过它不在通道尺度上进行，而是在特征图像素尺度上求所有通道的最大和平均。所以，池化后得到两个特征图（与输入的高宽一致），经过一个2D卷积核然后经Sigmoid即可得到在所有像素点上的权重。

3.2 实现

import torch
from torch import nn


class ChannelAttention(nn.Module):
    def __init__(self, channel, ratio=16):
        super(ChannelAttention, self).__init__()
        self.avg_pool = nn.AdaptiveAvgPool2d((1, 1))
        self.max_pool = nn.AdaptiveMaxPool2d((1, 1))

        self.fc1 = nn.Conv2d(channel, channel // ratio, kernel_size=1, bias=False)  # 使用1*1卷积代替全连接，参数量相同，但是输入和输出维度不需要转换了
        self.relu = nn.ReLU(inplace=True)
        self.fc2 = nn.Conv2d(channel // ratio, channel, kernel_size=1, bias=False)
        self.sigmoid = nn.Sigmoid()

    def forward(self, x):
        w_m = self.max_pool(x)
        w_a = self.avg_pool(x)

        w_m = self.relu(self.fc1(w_m))
        w_a = self.relu(self.fc1(w_a))

        w = self.sigmoid(self.fc2(w_m) + self.fc2(w_a))

        return w * x


class SpatialAttention(nn.Module):
    def __init__(self, kernel_size=7):
        super(SpatialAttention, self).__init__()

        self.conv = nn.Conv2d(2, 1, kernel_size=kernel_size, padding=kernel_size // 2, bias=False)  # 原文kernel_size=7
        self.sigmoid = nn.Sigmoid()

    def forward(self, x):
        w_m, _ = torch.max(x, dim=1, keepdim=True)
        w_a = torch.mean(x, dim=1, keepdim=True)
        w = torch.cat([w_m, w_a], dim=1)  # 两个[8, 1, 24, 24]拼接为一个[8, 2, 24, 24]

        w = self.sigmoid(self.conv(w))
        return w * x


class cbam(nn.Module):
    def __init__(self, channel):
        super(cbam, self).__init__()
        self.channel_attention = ChannelAttention(channel)
        self.spatial_attention = SpatialAttention()

    def forward(self, x):
        x = self.channel_attention(x)
        x = self.spatial_attention(x)
        return x


if __name__ == "__main__":
    x = torch.randn((8, 512, 24, 24))
    cbam = cbam(512)
    x_cbam = cbam(x)

二、Self-Attention

自注意力最先在NLP领域被提出，后来被用到CV领域。自注意力也是注意力的一种，本质上也是对原特征进行加权。“自”体现在它的权重不是像上面的方法通过网络学习出来，而是根据自身特征计算而来。

1. 概念

首先，我们以NLP中的数据形式理解Self-Attention，NLP中一个批次的数据包括多个句子，每个句子有多个单词，每个单词通过某种转换可以形成固定长度的特征向量，又称embedding。于是一个句子就被转换为大小为 $[L, C]$ 的特征矩阵 $X$ ， $L$ 为该句子中单词的个数， $C$ 是embedding的长度。

对于一个句子的特征矩阵，自注意力的关键公式如下：

其中， $Q, K, V$ 为 $X$ 分别经过线性变化得到的特征矩阵， $d_k$ 为 $K$ 中特征向量的长度（一般与embedding的长度一致）。

但是，直接从 $Q, K, V$ 讲起理解较为困难，为进一步体现“自”的含义，我们简化上式，从下式开始讲起：

其中， $XX^T$ 是 $X$ 中embedding两两之间的点积，从几何上理解点积是一个向量在另一个向量上的投影，能够衡量两个向量在方向和长度上的相似度。

所以 $XX^T$ 是一个相似度矩阵，经过SoftMax之后，相似度被归一化至 $[0, 1]$ ，变得更适合用来加权。可以理解为 $SoftMax(XX^T)$ 是一个权重矩阵，用来加权 $X$ 。 $SoftMax(XX^T)X$ 与 $X$ 的尺寸是一致的，它的每一行都是 $X$ 中各行的加权和，对应的权重是 $X$ 中当前行与各行的点积相似度。

可以看出，上述操作是通过自身获取权重再加权自身，这就是“自”的含义。

然后，我们对比上面两个图像中的公式，可以发现，区别如下有两个部分：
(1)
区别： 前者是 $Q, K, V$ ，后者是 $X$ 。
解释： $Q, K, V$ 是 $X$ 分别经过线性变化得到的特征，通常是通过三个全连接层分别进行变换，这样做能够从一定程度上提升Self-Attention的效果，毕竟多了三个可学习的参数矩阵。
(2)
区别： 前者多了一个 $\frac{1}{\sqrt{d_k}}$ ， $d_k$ 为 $K$ 中特征向量的长度。
解释： 如果 $Q$ 和 $K$ 的特征长度很长（ $Q$ 和 $K$ 的长度可以与 $X$ 不同，但一般是相同的），就会导致 $QK^T$ 的值很大，使得 $S o f tM a x$ 的梯度消失，除以 $\sqrt{d_k}$ 能够避免该问题。

2. 实现

import torch.nn as nn
import torch
import math


class SelfAttention(nn.Module):
    def __init__(self, dim_in, dim_k, dim_v):
        super(SelfAttention, self).__init__()
        self.dim_in = dim_in
        self.dim_k = dim_k  # K与Q的特征长度相同，可以与V的特征长度不同
        self.dim_v = dim_v  # V可以与输入特征长度不同，但为了即插即用，通常dim_in=dim_v
        self.linear_q = nn.Linear(dim_in, dim_k, bias=False)
        self.linear_k = nn.Linear(dim_in, dim_k, bias=False)
        self.linear_v = nn.Linear(dim_in, dim_v, bias=False)
        self.scale = 1 / math.sqrt(dim_k)

    def forward(self, x):
        q = self.linear_q(x)  # [batch_size, n, dim_in] -> [batch_size, n, dim_k]
        k = self.linear_k(x)  # [batch_size, n, dim_in] -> [batch_size, n, dim_k]
        v = self.linear_v(x)  # [batch_size, n, dim_in] -> [batch_size, n, dim_v]

        w = torch.bmm(q, k.transpose(1, 2)) * self.scale  # (QK^T)/sqrt(dim_k)
        w = torch.softmax(w, dim=-1)  # SoftMax[(QK^T)/sqrt(dim_k)]
        att = torch.bmm(w, v)  # SoftMax[(QK^T)/sqrt(dim_k)]V
        return att


if __name__ == "__main__":
    x = torch.randn((8, 6, 512))
    self_attention = SelfAttention(512, 128, 512)
    o = self_attention(x)

三、Multi-Head Attention

上述只进行一次自注意力计算的情况称为单头自注意力，与之相对的，多头自注意力会将 $Q, K, V$ 进行拆分（拆成几份就是几个头），然后分别进行自注意力计算，最后将各部分计算结果拼接并通过一次仿射变换得到新的输出。

使用多个头能从不同层面（representation subspace）考虑相似性，提供模型表达能力。

1. 概念

如上图，我们将图中与 $Q, K, V$ 相连的 $L in e a r$ 视为拆分操作，假设 $Q, K, V$ 大小均为 $[6, 512]$ ，头的数量为4（必须是能整除embedding长度512的），那么拆分后就有4组大小均为 $[6, 128]$ 的 $q, k, v$ 。对同组的 $q, k, v$ 进行Self-Attention计算（对应图中Scaled Dot-Product Attention）会得到4组大小均为 $[6, 128]$ 的输出，拼接起来就得到大小为 $[6, 512]$ 的输出。最后经过一层全连接进行仿射变换即可得到Multi-Head Attention的输出。

2. 实现

import math
import torch
import torch.nn as nn


class MultiHeadAttention(nn.Module):
    def __init__(self, dim_in, dim_k, dim_v, num_heads=4):
        super(MultiHeadAttention, self).__init__()
        assert dim_k % num_heads == 0 and dim_v % num_heads == 0, "dim_k and dim_v must be multiple of num_heads"

        self.num_heads = num_heads
        self.dim_in = dim_in
        self.dim_k = dim_k
        self.dim_v = dim_v

        self.scale = 1 / math.sqrt(dim_k / num_heads)
        self.linear_q = nn.Linear(dim_in, dim_k)
        self.linear_k = nn.Linear(dim_in, dim_k)
        self.linear_v = nn.Linear(dim_in, dim_v)

        self.fc = nn.Linear(dim_v, dim_v)

    def forward(self, x):
        batch_size, n, dim_in = x.shape

        Q = self.linear_q(x)  # [batch_size, n, dim_in] -> [batch_size, n, dim_k]
        K = self.linear_k(x)  # [batch_size, n, dim_in] -> [batch_size, n, dim_k]
        V = self.linear_v(x)  # [batch_size, n, dim_in] -> [batch_size, n, dim_v]

        nh = self.num_heads
        dk = self.dim_k // nh  # 每个头的k的长度，使用 // 可以确保得到的是整数
        dv = self.dim_v // nh  # 每个头的v的长度

# 将头的位置放在第2个，这样后面计算点积时就是每个头单独计算
        q = Q.reshape(batch_size, n, nh, dk).transpose(1, 2)  # [batch_size, n, dim_k] -> [batch_size, n, num_heads, dk] -> [batch_size, num_heads, n, dk]
        k = K.reshape(batch_size, n, nh, dk).transpose(1, 2)  # [batch_size, n, dim_k] -> [batch_size, n, num_heads, dk] -> [batch_size, num_heads, n, dk]
        v = V.reshape(batch_size, n, nh, dv).transpose(1, 2)  # [batch_size, n, dim_v] -> [batch_size, n, num_heads, dv] -> [batch_size, num_heads, n, dv]

        w = torch.matmul(q, k.transpose(2, 3)) * self.scale  # (qk^T)/sqrt(dk)
        w = torch.softmax(w, dim=-1)  # SoftMax[(qk^T)/sqrt(dk)]
        att = torch.matmul(w, v)  # SoftMax[(qk^T)/sqrt(dk)]v
        att = att.transpose(1, 2).reshape(batch_size, n, self.dim_v)  # [batch_size, num_heads, n, dv] -> [batch_size, n, num_heads, dv] -> [batch_size, n, dim_v]

        att = self.fc(att)  # [batch_size, n, dim_v] -> [batch_size, n, dim_v]
        return att


if __name__ == '__main__':
    x = torch.randn((8, 6, 512))
    mh_attention = MultiHeadAttention(512, 512, 512)
    o = mh_attention(x)

致谢：

本博客仅做记录使用，无任何商业用途，参考内容如下：
神经网络学习小记录64——Pytorch 图像处理中注意力机制的解析与代码详解
 self-Attention｜自注意力机制｜位置编码｜理论 + 代码
 SE、CBAM、ECA注意力机制

原文地址：https://blog.csdn.net/beginner1207/article/details/137874996

免责声明：本站文章内容转载自网络资源，如本站内容侵犯了原著者的合法权益，可联系本站删除。更多内容请关注自学内容网（zxcms.com）！

上一篇：申请OV证书
下一篇：Docker构建Java镜像并部署Java项目

《FreeRTOS任务基础知识篇》
FreeRTOS任务基础知识。
阅读更多2024-11-15
智谱AI清影升级:引领AI视频进入音效新时代
拟人虎，动物时尚秀，全身，穿着时尚的衣服和精美配饰，拟人化，高端设计风格，苗条的身体，正面，冷酷而高贵，米兰时装秀，动态捕捉T台秀，面对相机，全景镜头，栩栩如生，正在走秀，豪华的T台背景，极精细，广角
阅读更多2024-11-15
安全见闻 -- 量子计算
总之，量子计算安全是一个复杂领域，需要综合运行物理学、计算机科学、密码学等多学科知识进行学习和研究。通过了解漏洞风险并采用适当的测试方法，可以更好地保障量子信息系统的安全。
阅读更多2024-11-15
DVWA靶场通关——SQL Injection篇
该PHP代码的主要功能是根据用户提供的id参数，从数据库中查询对应的用户信息（包括first_name和last_name），并将查询结果显示给用户。在第二段代码中，$id 变量同样从 $_POST
阅读更多2024-11-15
如何解决“无法在 ‘HTMLElement‘ 上设置 ‘innerText‘ 属性”的问题
类型断言：将元素断言为支持innerText的类型。使用：一个更兼容的文本内容设置方法。类型检查：利用instanceof确保类型正确后再操作。：直接创建并插入文本节点，适合动态内容插入。以上四种方法
阅读更多2024-11-15
API 数据处理与 SQL 批量更新技巧：CASE 语句优化操作指南
在现代应用程序开发中，数据处理和数据库操作是不可或缺的一部分。特别是在处理大量数据时，如何高效地更新数据库记录成为了关键问题。本文将对比两种常见的数据库更新方法：一种是使用CASE语句进行批量更新，另
阅读更多2024-11-15
如何解决JAVA程序通过obloader并发导数导致系统夯住的问题 | OceanBase 运维实践
在并发导数据到OceanBase的场景，系统出现大量obloader 进程，应用java 程序夯住不可用，最终导致容器OOM重启。本文介绍了整个案例的问题排查过程，以及相应的解决方案。
阅读更多2024-11-15
区块链智能合约开发：全面解析与实践指南
尽管智能合约的开发面临一定的挑战，但随着技术的成熟与生态的完善，智能合约的应用场景会越来越广泛，从DeFi到NFT，再到供应链和保险等领域，智能合约正在为各行各业带来创新和变革。与传统合约不同，智能合
阅读更多2024-11-15
Axure设计之文本编辑器制作教程
文本编辑器是一个功能强大的工具，允许用户在图形界面中创建和编辑文本的格式和布局，如字体样式、大小、颜色、对齐方式等，在Web端实际项目中，文本编辑器的使用非常频繁。
阅读更多2024-11-15
PyTorch深度学习与企业级项目实战-预训练语言模型GPT
尽管神经网络模型在自然语言处理任务中已取得较好的效果，但其相对于非神经网络模型的优势并没有像在计算机视觉领域那么明显。该现象的主要原因可归结于当前自然语言处理任务的数据集相对较小（除机器翻译任务外）。
阅读更多2024-11-15

【深度学习】Attention、Self-Attention、Multi-Head Attention

一、Attention

1. SE

1.1 概念

1.2 实现

2. ECA

2.1 概念

2.2 实现

3. CBAM

3.1 概念

3.2 实现

二、Self-Attention

1. 概念

2. 实现

三、Multi-Head Attention

1. 概念

2. 实现

致谢：

相关文章