self attention是提出Transformer的论文《Attention is all you need》中提出的一种新的注意力机制，这篇博文仅聚焦于self attention，不谈transformer的其他机制。Self attention直观上与传统Seq2Seq attention机制的区别在于，它的query和massage两个序列是相等的。大家可能都以为self attention是attention的改进版，但其实self attention的设计思想来自RNN和CNN，希望这篇博文能对你有所启发。
广义注意力机制
在谈论self attention之前我们首先认识一下以KQV模型来解释的Attention机制。
假定输入为Q(Query), Memory中以键值对(K,V)形式存储上下文。那么注意力机制其实是Query到一系列键值对(Key, Value)上的映射函数。 
Attention Value=QKTV 
Attention本质上是为序列中每个元素都分配一个权重系数，这也可以理解为软寻址。如果序列中每一个元素都以(K,V)形式存储，那么attention则通过计算Q和K的相似度来完成寻址。Q和K计算出来的相似度反映了取出来的V值的重要程度，即权重，然后加权求和就得到了attention值。 
Self Attention
Self Attention机制在KQV模型中的特殊点在于Q=K=V，这也是为什么取名self attention，因为其是文本和文本自己求相似度再和文本本身相乘计算得来。 Attention(Q,K,V)=softmax(d kQKT)V 
Self Attention机制的优越之处
抖音算法面试题，Self Attention和Seq2Seq Attention相比，优越在哪里。
RNN本身对于长距离的依赖关系有一定的捕捉能力，但由于序列模型是通过门控单元使得信息保持流动，并且选择性地传递信息。但这种方式在文本长度越来越长的条件下，捕捉依赖关系的能力越来越低，因为每一次递归都伴随着信息的损耗，所以有了Attention机制来增强对我们所关注的那部分依赖关系的捕捉 。除此之外，序列模型也不能对层次结构的信息进行有效的表达。
Attention(包括self attention在内)本身的优点(相较于RNN而言)：
- 对长期依赖关系有着更强的捕捉能力
- 可以并行计算
CNN在NLP领域也有比较广泛的应用。CNN模型可以被看作n-gram的detector，n-gram的n对应CNN卷积核的大小。CNN基于的假设是局部信息存在相互依赖关系，而卷积核可以把这些依赖关系以类似于n-gram的形式提取出来。另外，CNN具备Hierachicial Receptive Filed，使得任意两个位置之间的长度距离是对数级别。 
Self-Attention的优点(相较于CNN而言)：
- 元素与元素之间的距离从CNN的logarithmic path length进一步缩短到constant path length
- 由CNN fixed size perceptive变成了variable-sized的 perceptive，具体的长度等于文本长度，这也是self-attention相对于普通attention的优点。
图片中的文字讲的是self-attention和卷积的区别，不能看作是优点。从图中能看出self-attention和卷积的关联之处
如果普通attention机制在一个窗口下计算attention score，正如我这篇博文介绍的attention机制，那么这种attention机制的感受野就只有窗口，而且随着窗口移动还需要计算多次。
所以self-attention相较于Seq2Seq attention还有另一个优点：
- 一步矩阵计算得到了文本序列中任意两个元素的相似度，而且是以整个文本作为观察范围的。
再类比于CNN的multi-kernel，实现self-attention的时候也可以有多份的self-attention score，这产生了multi-head self attention。 
Self-Attention归纳如下：
Self-attention的优点归纳为以下：
Transformer里面一共有三种self-attetnion： 
三种Self-attention的区别： 