PS：要转载请注明出处，本人版权所有。
PS: 这个只是基于《我自己》的理解，
如果和你的原则及想法相冲突，请谅解，勿喷。
环境说明
无
前言
本文是这个系列第六篇，它们是：
- 《大模型基础补全计划(一)---重温一些深度学习相关的数学知识》 https://www.cnblogs.com/Iflyinsky/p/18717317
- 《大模型基础补全计划(二)---词嵌入(word embedding) 》 https://www.cnblogs.com/Iflyinsky/p/18775451
- 《大模型基础补全计划(三)---RNN实例与测试》 https://www.cnblogs.com/Iflyinsky/p/18967569
- 《大模型基础补全计划(四)---LSTM的实例与测试(RNN的改进)》 https://www.cnblogs.com/Iflyinsky/p/19091089
- 《大模型基础补全计划(五)---seq2seq实例与测试(编码器、解码器架构)》 https://www.cnblogs.com/Iflyinsky/p/19150535
本文，介绍一下注意力机制，并在上文的机翻模型seq2seq的实例中添加一个简单的注意力机制，并看看模型效果是否有提升。
注意力机制（Bahdanau Attention）
举一个例子：在日常生活中，比如我们看一幅黑白画（画中有一个红色的苹果，其他的都是黑白的物体，例如香蕉），这个时候我们无意识的看一眼画，很有可能第一个关注的就是这个红色的苹果，但是我有意识的控制眼睛集中去看香蕉，这个时候我关注的就是香蕉。
在上面的例子中，我们的注意力，最开始是无意识的看苹果，后面有意识的注意香蕉，这里面的区别就是我们在这个动作里面加了：意识。当加了意识后，我们就可以有选择的根据条件来关注这幅画的我想关注的地方。
然后我们可以对上面的现象进行建模：\(R=Attention(Q,K)*V\)，这里我们将Attention当作意识，V当作黑白画的特征，Q是画中是什么？K是V的标签（你可以把K当作是V有关联的部分，不同的K，对应的不同的V），如果没有Attention，R就是苹果，有了Attention，R就可以是香蕉。
我们回头想一想上一篇文的seq2seq中，我们的encoder的output是最后一层rnn的所有时间步的隐藏状态（num_steps,batch_size,num_hiddens），这里包含了我们的序列数据在不同时间步的特征变化，当我们在做decoder的时候，我们是拿着这个encoder的最后一层rnn的最后一个时间步的隐藏状态（1,batch_size,num_hiddens）来作为context的，是一个固定的值，这样有几个问题：
- 对于长序列来说，context可能丢失信息。
- 我们从固定context中解码信息，导致了我们对序列在特定解码步骤中，对context关注重点是一样的。
针对上面seq2seq的问题，Bahdanau设计了一种模型，可以解决我们遇到的问题，其定义如下：$$c_{t'} = \sum_{t=1}^{T} \alpha(s_{t'-1}, h_{t})h_{t}$$，看公式我们可以知道，这里定义了Q（decoder的上一次隐藏态\(s_{t'-1}\)）/K（encoder的output的部分\(h_{t}\)）/V（encoder的output的部分\(h_{t}\)）三个概念，含义就是通过Q+K来计算一个权重矩阵W（通过softmax归一化），然后然后将W和V进行计算，得到了我们通过W关注到的新的\(V_{new}\)，这里的W就是我们的注意力矩阵，代表我们关注V中的哪些部分。整个计算过程，就相当于我们生成了新成context具备了注意力机制。
带注意力机制的seq2seq 英文翻译中文 的实例
下面的代码和上一篇文章的代码只有decoder部分有比较大的差别，其他的基本类似。如dataset部分的内容，请参考上一篇文章。
seq2seq完整代码如下
python
import os
import random
import torch
import math
from torch import nn
from torch.nn import functional as F
import numpy as np
import time
import visdom
import collections
import dataset
class Accumulator:
"""在n个变量上累加"""
def __init__(self, n):
"""Defined in :numref:`sec_softmax_scratch`"""
self.data = [0.0] * n
def add(self, *args):
self.data = [a + float(b) for a, b in zip(self.data, args)]
def reset(self):
self.data = [0.0] * len(self.data)
def __getitem__(self, idx):
return self.data[idx]
class Timer:
"""记录多次运行时间"""
def __init__(self):
"""Defined in :numref:`subsec_linear_model`"""
self.times = []
self.start()
def start(self):
"""启动计时器"""
self.tik = time.time()
def stop(self):
"""停止计时器并将时间记录在列表中"""
self.times.append(time.time() - self.tik)
return self.times[-1]
def avg(self):
"""返回平均时间"""
return sum(self.times) / len(self.times)
def sum(self):
"""返回时间总和"""
return sum(self.times)
def cumsum(self):
"""返回累计时间"""
return np.array(self.times).cumsum().tolist()
class Encoder(nn.Module):
"""编码器-解码器架构的基本编码器接口"""
def __init__(self, **kwargs):
# 调用父类nn.Module的构造函数，确保正确初始化
super(Encoder, self).__init__(**kwargs)
def forward(self, X, *args):
# 抛出未实现错误，意味着该方法需要在子类中具体实现
raise NotImplementedError
class Decoder(nn.Module):
"""编码器-解码器架构的基本解码器接口
Defined in :numref:`sec_encoder-decoder`"""
def __init__(self, **kwargs):
# 调用父类nn.Module的构造函数，确保正确初始化
super(Decoder, self).__init__(**kwargs)
def init_state(self, enc_outputs, *args):
# 抛出未实现错误，意味着该方法需要在子类中具体实现
raise NotImplementedError
def forward(self, X, state):
# 抛出未实现错误，意味着该方法需要在子类中具体实现
raise NotImplementedError
class EncoderDecoder(nn.Module):
"""编码器-解码器架构的基类
Defined in :numref:`sec_encoder-decoder`"""
def __init__(self, encoder, decoder, **kwargs):
# 调用父类nn.Module的构造函数，确保正确初始化
super(EncoderDecoder, self).__init__(**kwargs)
# 将传入的编码器实例赋值给类的属性
self.encoder = encoder
# 将传入的解码器实例赋值给类的属性
self.decoder = decoder
def forward(self, enc_X, dec_X, enc_X_valid_len, *args):
# 调用编码器的前向传播方法，处理输入的编码器输入数据enc_X
enc_outputs = self.encoder(enc_X, *args)
# 调用解码器的init_state方法，根据编码器的输出初始化解码器的状态
dec_state = self.decoder.init_state(enc_outputs, enc_X_valid_len)
# 调用解码器的前向传播方法，处理输入的解码器输入数据dec_X和初始化后的状态
return self.decoder(dec_X, dec_state)
def masked_softmax(X, valid_lens): #@save
"""
执行带掩码的 Softmax 操作。
参数:
X (torch.Tensor): 待 Softmax 的张量，通常是注意力机制中的"分数"（scores）。
其形状通常为 (批量大小, 查询数量/序列长度, 键值对数量/序列长度)。
valid_lens (torch.Tensor): 序列的有效长度张量。
形状可以是 (批量大小,) 或 (批量大小, 键值对数量)。
用于指示每个序列的哪个部分是有效的（非填充）。
返回:
torch.Tensor: 经过 Softmax 归一化且填充部分被忽略的概率分布张量。
"""
# 辅助函数：创建一个序列掩码，并用特定值覆盖被掩码（填充）的元素
def _sequence_mask(X, valid_len, value=0):
"""
根据有效长度（valid_len）创建掩码，并应用于张量 X。
参数:
X (torch.Tensor): 形状为 (批量大小 * 查询数量, 最大长度) 的张量。
valid_len (torch.Tensor): 形状为 (批量大小 * 查询数量,) 的有效长度向量。
value (float): 用于替换被掩码元素的填充值。
返回:
torch.Tensor: 被填充值覆盖后的张量 X。
"""
# 获取序列的最大长度（张量的第二个维度）
maxlen = X.size(1)
# 核心掩码逻辑：
# 1. torch.arange((maxlen), ...) 创建一个从 0 到 maxlen-1 的序列（代表时间步索引）
# 2. [None, :] 使其形状变为 (1, maxlen)，用于广播
# 3. valid_len[:, None] 使有效长度形状变为 (批量大小 * 查询数量, 1)，用于广播
# 4. < 比较操作：当索引 < 有效长度时，结果为 True（有效元素），否则为 False（填充元素）
mask = torch.arange((maxlen), dtype=torch.float32,
device=X.device)[None, :] < valid_len[:, None]
# 逻辑非 ~mask 得到填充部分的掩码（True 表示填充部分）
# 使用填充值（value，通常是 -1e6）覆盖填充元素
X[~mask] = value
return X
# 1. 处理无需掩码的情况
if valid_lens is None:
# 如果未提供有效长度，则执行标准 Softmax
return nn.functional.softmax(X, dim=-1)
# 2. 处理需要掩码的情况
else:
# 备份原始形状，用于后续重塑
shape = X.shape
# 统一 valid_lens 的形状，使其与 X 的前两个维度相匹配
if valid_lens.dim() == 1:
# 适用于批量中每个序列只有一个有效长度的情况（例如，K-V 序列是等长的）
# 将 valid_lens 重复 shape[1] 次，匹配 X 的查询/序列长度维度
valid_lens = torch.repeat_interleave(valid_lens, shape[1])
else:
# 适用于每个查询-键值对的有效长度都不同的情况
# 将 2D 张量展平为 1D 向量
valid_lens = valid_lens.reshape(-1)
# 预处理 Softmax 输入：将 X 调整为 2D 矩阵 (批量*查询数量, 键值对数量)
# 并在最后一个轴（Softmax 轴）上，用一个非常大的负值替换被掩码的元素
# Softmax 时 exp(-1e6) 趋近于 0，从而忽略填充部分。
X = _sequence_mask(X.reshape(-1, shape[-1]), valid_lens, value=-1e6)
# 对经过掩码处理的 X 执行 Softmax
# 结果张量 X 被重塑回原始的 3D 形状 (批量大小, 查询数量, 键值对数量)
# 并在最后一个维度（dim=-1）上进行归一化，得到注意力权重
return nn.functional.softmax(X.reshape(shape), dim=-1)
class AdditiveAttention(nn.Module): #@save
"""
加性注意力（Additive Attention）模块。
通过将 Query 和 Key 投影到相同的维度后相加，再通过 tanh 激活和线性层计算注意力分数。
公式核心：score(Q, K) = w_v^T * tanh(W_q*Q + W_k*K)
"""
def __init__(self, num_hiddens, dropout, **kwargs):
"""
初始化加性注意力模块。
参数:
num_hiddens (int): 隐藏层维度，Q 和 K 投影后的维度。
dropout (float): Dropout 率。
"""
super(AdditiveAttention, self).__init__(**kwargs)
# W_k：将 Key (K) 向量投影到 num_hiddens 维度的线性层
# 使用 nn.LazyLinear 延迟初始化，直到第一次 forward 传入 K 的维度
self.W_k = nn.LazyLinear(num_hiddens, bias=False)
# W_q：将 Query (Q) 向量投影到 num_hiddens 维度的线性层
# 使用 nn.LazyLinear 延迟初始化
self.W_q = nn.LazyLinear(num_hiddens, bias=False)
# w_v：将激活后的特征向量 (W_q*Q + W_k*K) 投影成一个标量分数（维度为 1）
# 使用 nn.LazyLinear 延迟初始化
self.w_v = nn.LazyLinear(1, bias=False)
# Dropout 层，用于防止过拟合
self.dropout = nn.Dropout(dropout)
def forward(self, queries, keys, values, valid_lens):
"""
执行前向传播计算。
参数:
queries (torch.Tensor): 查询向量 Q。形状通常为 (批量大小, 查询数量, 查询维度)。
keys (torch.Tensor): 键向量 K。形状通常为 (批量大小, 键值对数量, 键维度)。
values (torch.Tensor): 值向量 V。形状通常为 (批量大小, 键值对数量, 值维度)。
valid_lens (torch.Tensor): 键值对序列的有效长度，用于掩盖填充部分。
返回:
torch.Tensor: 注意力加权后的值向量。形状为 (批量大小, 查询数量, 值维度)。
"""
# 1. 线性变换：分别对 Q 和 K 进行投影
queries, keys = self.W_q(queries), self.W_k(keys)
# 2. 维度扩展与相加（Attention Scoring 的核心步骤）
# queries.unsqueeze(2): 形状从 (批量大小, 查询数量, num_hiddens)
# 变为 (批量大小, 查询数量, 1, num_hiddens)。
# keys.unsqueeze(1): 形状从 (批量大小, 键值对数量, num_hiddens)
# 变为 (批量大小, 1, 键值对数量, num_hiddens)。
# 两个张量通过广播机制相加，得到 features，形状为：
# (批量大小, 查询数量, 键值对数量, num_hiddens)
features = queries.unsqueeze(2) + keys.unsqueeze(1)
# 3. 激活函数：应用 tanh 激活（加性注意力机制的要求）
features = torch.tanh(features)
# 4. 投影到标量分数
# self.w_v(features): 将 features 的最后一个维度（num_hiddens）投影成 1。
# scores.squeeze(-1): 移除最后一个单维度 (1)，得到最终的注意力分数张量。
# 形状为：(批量大小, 查询数量, 键值对数量)
scores = self.w_v(features).squeeze(-1)
# 5. 归一化（Softmax）：使用带掩码的 Softmax 得到注意力权重
# 填充部分的得分会被设置为一个极小的负值，Softmax 后权重趋近于 0。
self.attention_weights = masked_softmax(scores, valid_lens)
# 6. 加权求和
# torch.bmm: 批量矩阵乘法 (Batch Matrix Multiplication)。
# 将 [注意力权重] (批量, Q数量, K数量) 与 [值向量] (批量, K数量, V维度) 相乘
# 得到最终的注意力输出，形状为：(批量大小, 查询数量, 值维度)
# 在 BMM 之前，对注意力权重应用 Dropout。
return torch.bmm(self.dropout(self.attention_weights), values)
#@save
class Seq2SeqEncoder(Encoder):
"""用于序列到序列学习的循环神经网络编码器"""
def __init__(self, vocab_size, embed_size, num_hiddens, num_layers,
dropout=0, **kwargs):
super(Seq2SeqEncoder, self).__init__(**kwargs)
# 嵌入层
self.embedding = nn.Embedding(vocab_size, embed_size)
self.rnn = nn.GRU(embed_size, num_hiddens, num_layers,
dropout=dropout)
# self.lstm = nn.LSTM(embed_size, num_hiddens, num_layers)
def forward(self, X, *args):
# 输入X.shape = (batch_size,num_steps)
# 输出'X'的形状：(batch_size,num_steps,embed_size)
X = self.embedding(X)
# 在循环神经网络模型中，第一个轴对应于时间步
X = X.permute(1, 0, 2)
# 如果未提及状态，则默认为0
output, state = self.rnn(X)
# output : 这个返回值是所有时间步的隐藏状态序列
# output的形状:(num_steps,batch_size,num_hiddens)
# hn (hidden) : 这是每一层rnn的最后一个时间步的隐藏状态
# state的形状:(num_layers,batch_size,num_hiddens)
return output, state
class AttentionDecoder(Decoder): #@save
"""The base attention-based decoder interface."""
def __init__(self):
super().__init__()
@property
def attention_weights(self):
raise NotImplementedError
class Seq2SeqAttentionDecoder(AttentionDecoder):
def __init__(self, vocab_size, embed_size, num_hiddens, num_layers,
dropout=0):
super().__init__()
self.attention = AdditiveAttention(num_hiddens, dropout)
self.embedding = nn.Embedding(vocab_size, embed_size)
self.rnn = nn.GRU(
embed_size + num_hiddens, num_hiddens, num_layers,
dropout=dropout)
self.dense = nn.LazyLinear(vocab_size)
# self.apply(d2l.init_seq2seq)
def init_state(self, enc_outputs, enc_valid_lens):
# Shape of outputs: (num_steps, batch_size, num_hiddens).
# Shape of hidden_state: (num_layers, batch_size, num_hiddens)
outputs, hidden_state = enc_outputs
return (outputs.permute(1, 0, 2), hidden_state, enc_valid_lens)
def forward(self, X, state):
# Shape of enc_outputs: (batch_size, num_steps, num_hiddens).
# Shape of hidden_state: (num_layers, batch_size, num_hiddens)
enc_outputs, hidden_state, enc_valid_lens = state
# Shape of the output X: (num_steps, batch_size, embed_size)
X = self.embedding(X).permute(1, 0, 2)
outputs, self._attention_weights = [], []
for x in X:
# Shape of query: (batch_size, 1, num_hiddens)
query = torch.unsqueeze(hidden_state[-1], dim=1)
# Shape of context: (batch_size, 1, num_hiddens)
context = self.attention(
query, enc_outputs, enc_outputs, enc_valid_lens)
# Concatenate on the feature dimension
x = torch.cat((context, torch.unsqueeze(x, dim=1)), dim=-1)
# Reshape x as (1, batch_size, embed_size + num_hiddens)
out, hidden_state = self.rnn(x.permute(1, 0, 2), hidden_state)
outputs.append(out)
self._attention_weights.append(self.attention.attention_weights)
# After fully connected layer transformation, shape of outputs:
# (num_steps, batch_size, vocab_size)
outputs = self.dense(torch.cat(outputs, dim=0))
return outputs.permute(1, 0, 2), [enc_outputs, hidden_state,
enc_valid_lens]
@property
def attention_weights(self):
return self._attention_weights
def try_gpu(i=0):
"""如果存在，则返回gpu(i)，否则返回cpu()
Defined in :numref:`sec_use_gpu`"""
if torch.cuda.device_count() >= i + 1:
return torch.device(f'cuda:{i}')
return torch.device('cpu')
def sequence_mask(X, valid_len, value=0):
"""在序列中屏蔽不相关的项"""
maxlen = X.size(1)
mask = torch.arange((maxlen), dtype=torch.float32,
device=X.device)[None, :] < valid_len[:, None]
X[~mask] = value
return X
class MaskedSoftmaxCELoss(nn.CrossEntropyLoss):
"""带遮蔽的softmax交叉熵损失函数"""
# pred的形状：(batch_size,num_steps,vocab_size)
# label的形状：(batch_size,num_steps)
# valid_len的形状：(batch_size,)
def forward(self, pred, label, valid_len):
weights = torch.ones_like(label)
weights = sequence_mask(weights, valid_len)
self.reduction='none'
unweighted_loss = super(MaskedSoftmaxCELoss, self).forward(
pred.permute(0, 2, 1), label)
weighted_loss = (unweighted_loss * weights).mean(dim=1)
return weighted_loss
def grad_clipping(net, theta): #@save
"""裁剪梯度"""
if isinstance(net, nn.Module):
params = [p for p in net.parameters() if p.requires_grad]
else:
params = net.params
norm = torch.sqrt(sum(torch.sum((p.grad ** 2)) for p in params))
if norm > theta:
for param in params:
param.grad[:] *= theta / norm
def train_seq2seq(net, data_iter, lr, num_epochs, tgt_vocab, device):
"""训练序列到序列模型"""
def xavier_init_weights(m):
if type(m) == nn.Linear:
nn.init.xavier_uniform_(m.weight)
if type(m) == nn.GRU:
for param in m._flat_weights_names:
if "weight" in param:
nn.init.xavier_uniform_(m._parameters[param])
net.apply(xavier_init_weights)
net.to(device)
optimizer = torch.optim.Adam(net.parameters(), lr=lr)
loss = MaskedSoftmaxCELoss()
net.train()
vis = visdom.Visdom(env=u'test1', server="http://127.0.0.1", port=8097)
animator = vis
for epoch in range(num_epochs):
timer = Timer()
metric = Accumulator(2) # 训练损失总和，词元数量
for batch in data_iter:
#清零（reset）优化器中的梯度缓存
optimizer.zero_grad()
# x.shape = [batch_size, num_steps]
X, X_valid_len, Y, Y_valid_len = [x.to(device) for x in batch]
# bos.shape = batch_size 个 bos-id
bos = torch.tensor([tgt_vocab['<bos>']] * Y.shape[0],
device=device).reshape(-1, 1)
# dec_input.shape = (batch_size, num_steps)
# 解码器的输入通常由序列的起始标志 bos 和目标序列（去掉末尾的部分 Y[:, :-1]）组成。
dec_input = torch.cat([bos, Y[:, :-1]], 1) # 强制教学
# Y_hat的形状:(batch_size,num_steps,vocab_size)
Y_hat, _ = net(X, dec_input, X_valid_len)
l = loss(Y_hat, Y, Y_valid_len)
l.sum().backward() # 损失函数的标量进行"反向传播"
grad_clipping(net, 1)
num_tokens = Y_valid_len.sum()
optimizer.step()
with torch.no_grad():
metric.add(l.sum(), num_tokens)
if (epoch + 1) % 10 == 0:
# print(predict('你是？'))
# print(epoch)
# animator.add(epoch + 1, )
if epoch == 9:
# 清空图表：使用空数组来替换现有内容
vis.line(X=np.array([0]), Y=np.array([0]), win='train_ch8', update='replace')
# _loss_val = l
# _loss_val = _loss_val.cpu().sum().detach().numpy()
vis.line(
X=np.array([epoch + 1]),
Y=[ metric[0] / metric[1]],
win='train_ch8',
update='append',
opts={
'title': 'train_ch8',
'xlabel': 'epoch',
'ylabel': 'loss',
'linecolor': np.array([[0, 0, 255]]), # 蓝色线条
}
)
print(f'loss {metric[0] / metric[1]:.3f}, {metric[1] / timer.stop():.1f} '
f'tokens/sec on {str(device)}')
torch.save(net.cpu().state_dict(), 'model_h.pt') # [[6]]
torch.save(net.cpu(), 'model.pt') # [[6]]
def predict_seq2seq(net, src_sentence, src_vocab, tgt_vocab, num_steps,
device, save_attention_weights=False):
"""序列到序列模型的预测"""
# 在预测时将net设置为评估模式
net.eval()
src_tokens = src_vocab[src_sentence.lower().split(' ')] + [
src_vocab['<eos>']]
enc_valid_len = torch.tensor([len(src_tokens)], device=device)
src_tokens = dataset.truncate_pad(src_tokens, num_steps, src_vocab['<pad>'])
# 添加批量轴
enc_X = torch.unsqueeze(
torch.tensor(src_tokens, dtype=torch.long, device=device), dim=0)
enc_outputs = net.encoder(enc_X, enc_valid_len)
dec_state = net.decoder.init_state(enc_outputs, enc_valid_len)
# 添加批量轴
dec_X = torch.unsqueeze(torch.tensor(
[tgt_vocab['<bos>']], dtype=torch.long, device=device), dim=0)
output_seq, attention_weight_seq = [], []
for _ in range(num_steps):
Y, dec_state = net.decoder(dec_X, dec_state)
# 我们使用具有预测最高可能性的词元，作为解码器在下一时间步的输入
dec_X = Y.argmax(dim=2)
pred = dec_X.squeeze(dim=0).type(torch.int32).item()
# 保存注意力权重（稍后讨论）
if save_attention_weights:
attention_weight_seq.append(net.decoder.attention_weights[0].reshape(num_steps).cpu())
# 一旦序列结束词元被预测，输出序列的生成就完成了
if pred == tgt_vocab['<eos>']:
break
output_seq.append(pred)
return ' '.join(tgt_vocab.to_tokens(output_seq)), attention_weight_seq
def bleu(pred_seq, label_seq, k): #@save
"""计算BLEU"""
pred_tokens, label_tokens = pred_seq.split(' '), [i for i in label_seq]
len_pred, len_label = len(pred_tokens), len(label_tokens)
score = math.exp(min(0, 1 - len_label / len_pred))
for n in range(1, k + 1):
num_matches, label_subs = 0, collections.defaultdict(int)
for i in range(len_label - n + 1):
label_subs[' '.join(label_tokens[i: i + n])] += 1
for i in range(len_pred - n + 1):
if label_subs[' '.join(pred_tokens[i: i + n])] > 0:
num_matches += 1
label_subs[' '.join(pred_tokens[i: i + n])] -= 1
score *= math.pow(num_matches / (len_pred - n + 1), math.pow(0.5, n))
return score
from matplotlib import pyplot as plt
import matplotlib
# from matplotlib_inline import backend_inline
def show_heatmaps(matrices, xlabel, ylabel, titles=None, figsize=(2.5, 2.5),
cmap='Reds'):
"""
显示矩阵的热图（Heatmaps）。
这个函数旨在以子图网格的形式绘制多个矩阵，通常用于可视化注意力权重等。
参数:
matrices (numpy.ndarray 或 torch.Tensor 数组):
一个四维数组，形状应为 (num_rows, num_cols, height, width)。
其中，num_rows 和 num_cols 决定了子图网格的布局，
height 和 width 是每个热图（即每个矩阵）的维度。
xlabel (str):
所有最底行子图的 x 轴标签。
ylabel (str):
所有最左列子图的 y 轴标签。
titles (list of str, optional):
一个包含 num_cols 个标题的列表，用于设置每一列子图的标题。默认 None。
figsize (tuple, optional):
整个图形（figure）的大小。默认 (2.5, 2.5)。
cmap (str, optional):
用于绘制热图的颜色映射（colormap）。默认 'Reds'。
"""
# 导入所需的 matplotlib 模块，确保图形在 Jupyter/IPython 环境中正确显示为 SVG 格式
# （假设在包含这个函数的环境中已经导入了 matplotlib 的 backend_inline）
# backend_inline.set_matplotlib_formats('svg')
matplotlib.use('TkAgg')
# 从输入的 matrices 形状中解构出子图网格的行数和列数
# 假设 matrices 的形状是 (num_rows, num_cols, height, width)
num_rows, num_cols, _, _ = matrices.shape
# 创建一个包含多个子图（axes）的图形（fig）
# fig: 整个图形对象
# axes: 一个 num_rows x num_cols 的子图对象数组
fig, axes = plt.subplots(
num_rows, num_cols,
figsize=figsize,
sharex=True, # 所有子图共享 x 轴刻度
sharey=True, # 所有子图共享 y 轴刻度
squeeze=False # 即使只有一行或一列，也强制返回二维数组的 axes，方便后续循环
)
# 遍历子图的行和对应的矩阵行
# i 是行索引, row_axes 是当前行的子图数组, row_matrices 是当前行的矩阵数组
for i, (row_axes, row_matrices) in enumerate(zip(axes, matrices)):
# 遍历当前行中的子图和对应的矩阵
# j 是列索引, ax 是当前的子图对象, matrix 是当前的待绘矩阵
for j, (ax, matrix) in enumerate(zip(row_axes, row_matrices)):
# 使用 ax.imshow() 绘制热图
# matrix.detach().numpy()：将 PyTorch Tensor 转换为 numpy 数组，并从计算图中分离（如果它是 Tensor）
# cmap：指定颜色映射
pcm = ax.imshow(matrix.detach().numpy(), cmap=cmap)
# --- 设置轴标签和标题 ---
# 只有最底行 (i == num_rows - 1) 的子图才显示 x 轴标签
if i == num_rows - 1:
ax.set_xlabel(xlabel)
# 只有最左列 (j == 0) 的子图才显示 y 轴标签
if j == 0:
ax.set_ylabel(ylabel)
# 如果提供了标题列表，则设置当前列的子图标题（所有行共享列标题）
if titles:
ax.set_title(titles[j])
# --- 添加颜色条（Colorbar） ---
# 为整个图形添加一个颜色条，用于表示数值和颜色的对应关系
# pcm: 之前绘制的第一个热图返回的 Colormap
# ax=axes: 颜色条将参照整个子图网格进行定位和缩放
# shrink=0.6: 缩小颜色条的高度/长度，使其只占图形高度的 60%
fig.colorbar(pcm, ax=axes, shrink=0.6)
plt.show()
if __name__ == '__main__':
embed_size, num_hiddens, num_layers, dropout = 32, 32, 2, 0.1
batch_size, num_steps = 64, 10
lr, num_epochs, device = 0.005, 2000, try_gpu()
# train_iter 每个迭代输出：(batch_size, num_steps)
train_iter, src_vocab, tgt_vocab, source, target = dataset.load_data(batch_size, num_steps)
encoder = Seq2SeqEncoder(len(src_vocab), embed_size, num_hiddens, num_layers,
dropout)
decoder = Seq2SeqAttentionDecoder(len(tgt_vocab), embed_size, num_hiddens, num_layers,
dropout)
net = EncoderDecoder(encoder, decoder)
is_train = False
is_show = False
if is_train:
train_seq2seq(net, train_iter, lr, num_epochs, tgt_vocab, device)
elif is_show:
state_dict = torch.load('model_h.pt')
net.load_state_dict(state_dict)
net.to(device)
src_text = "Call us."
translation, attention_weight_seq = predict_seq2seq(
net, src_text, src_vocab, tgt_vocab, num_steps, device, True)
# attention_weights = torch.eye(10).reshape((1, 1, 10, 10))
# (num_rows, num_cols, height, width)
print(f'translation={translation}')
print(attention_weight_seq)
stacked_tensor = torch.stack(attention_weight_seq, dim=0)
stacked_tensor = stacked_tensor.unsqueeze(0).unsqueeze(0)
show_heatmaps(
stacked_tensor,
xlabel='Attention weight', ylabel='Decode Step')
else:
state_dict = torch.load('model_h.pt')
net.load_state_dict(state_dict)
net.to(device)
C = 0
C1 = 0
for i in range(2000):
# print(source[i])
# print(target[i])
translation, attention_weight_seq = predict_seq2seq(
net, source[i], src_vocab, tgt_vocab, num_steps, device)
score = bleu(translation, target[i], k=2)
if score > 0.0:
C = C + 1
if score > 0.8:
C1 = C1 + 1
print(f'{source[i]} => {translation}, bleu {score:.3f}')
print(f'Counter(bleu > 0) = {C}')
print(f'Valid-Counter(bleu > 0.8) = {C1}')下面是encoder过程的简单分析：
- 将x通过nn.Embedding得到了(batch_size,num_steps,embed_size)的输入嵌入向量。
- 将嵌入向量传给nn.GRU，得到了两个输出，并返回：
- output，最后一层rnn的所有时间步的隐藏状态（num_steps,batch_size,num_hiddens）。
- h_n,所有rnn层的，最后一个时间步的隐藏状态（num_layers,batch_size,num_hiddens）。
下面是decoder过程的简单分析：
- 将decoder_x通过nn.Embedding得到了(batch_size,num_steps,embed_size)的输入嵌入向量。
- 将嵌入向量沿着num_steps进行单步运行，每一步经过Attention过程，得到最终的output，以及最后一个时间步的所有rnn层的h_n，每一步执行如下步骤：
- 将rnn最后一层的隐藏态作为Q（第一次Q是来自于encoder，后续都是decoder的每一次运行过程产生的隐藏态）
- 将encoder的output作为K,V，得到当前动态的上下文 context
- 将decoder_x_step 和 context进行组合，得到decoder_x_step_new
- 将decoder_x_step_new送入nn.GRU，得到当前时间步的output, h_t
- 将每一步的output收集起来作为输出，将h_t作为下一个时间步的Q循环起来
- 将所有的output经过nn.LazyLinear 映射为(num_steps, batch_size, vocab_size)，并和h_t返回
和原版本的seq2seq进行对比可知：
- 在原版中，我们的decoder依赖于一个固定的enc_outputs进行循环解码
- 在新版中，我们的decoder每次界面，都会有一个Q（第一次是来至于encoder，后续都是decoder的每一次运行过程产生的隐藏态）来计算enc_outputs的权重分数，然后根据权重分数得到一个动态的enc_outputs，这样可以让解码器每一步都关注enc_outputs中的不同的重点。
attention weight 的解释：
- 把Encoder Output（num_steps,1,num_hiddens）作为K,V
- 将Decoder的隐藏态h_t（1,1,num_hiddens）(初始值来自于Encoder的隐藏态h_t)作为Q，计算出当前step的attention_weight，其是一个softmax概率数据。
- 然后将attention_weight 与 V进行计算，代表模型当前关注EncoderOutput的那部分数据，得到新的Context
下面是训练和测试的一些结果
从上面的图可以看到，这个模型有一定的翻译效果，并且，比上一篇文章的模型效果要好一点。
此外，下面是我们翻译："Call us."-> "联 系 我 们 。" 的attention weight的可视化（带mask=3，在不同的decode step中权重变化。）
从上面的图可以知道，每一个decode step的注意力权重矩阵值都不一样，意味着，每一步解码的时候，关注的内容也不一样。
后记
本文引入了注意力机制，及注意力机制在seq2seq中，在应用注意力机制后，和原版的seq2seq的结论相比，模型效果有提升。
参考文献
- https://zh.d2l.ai/chapter_recurrent-modern/encoder-decoder.html
- https://zh.d2l.ai/chapter_recurrent-modern/seq2seq.html
- https://d2l.ai/chapter_attention-mechanisms-and-transformers/bahdanau-attention.html
打赏、订阅、收藏、丢香蕉、硬币，请关注公众号（攻城狮的搬砖之路）
PS: 请尊重原创，不喜勿喷。
PS: 要转载请注明出处，本人版权所有。
PS: 有问题请留言，看到后我会第一时间回复。