python - Keras 中的 Bi-LSTM 注意力模型

Question

我正在尝试使用词嵌入使用 Bi-LSTM 制作注意力模型。我遇到了How to add an attention mechanism in keras? , https://github.com/philipperemy/keras-attention-mechanism/blob/master/attention_lstm.py和 https://github.com/keras-team/keras/issues/4962 。

但是，我对用于关系分类的基于注意力的双向长短期内存网络的实现感到困惑。所以，

_input = Input(shape=[max_length], dtype='int32')

# get the embedding layer
embedded = Embedding(
        input_dim=30000,
        output_dim=300,
        input_length=100,
        trainable=False,
        mask_zero=False
    )(_input)

activations = Bidirectional(LSTM(20, return_sequences=True))(embedded)

# compute importance for each step
attention = Dense(1, activation='tanh')(activations)

我很困惑这里的方程与论文中的方程是什么。

attention = Flatten()(attention)
attention = Activation('softmax')(attention)

RepeatVector 会做什么？

attention = RepeatVector(20)(attention)
attention = Permute([2, 1])(attention)


sent_representation = merge([activations, attention], mode='mul')

现在，我再次不确定为什么这条线在这里。

sent_representation = Lambda(lambda xin: K.sum(xin, axis=-2), output_shape=(units,))(sent_representation)

由于我有两个类，所以最终的 softmax 为:

probabilities = Dense(2, activation='softmax')(sent_representation)

Answer 1

attention = Flatten()(attention)  

将注意力权重张量转换为向量(如果序列大小为 max_length，则大小为 max_length)。

attention = Activation('softmax')(attention)

允许所有注意力权重在0到1之间，所有权重之和等于1。

attention = RepeatVector(20)(attention)
attention = Permute([2, 1])(attention)


sent_representation = merge([activations, attention], mode='mul')

RepeatVector 重复注意力权重向量(大小为 max_len)与隐藏状态的大小 (20)，以便按元素乘以激活和隐藏状态。张量变量激活的大小为 max_len*20。

sent_representation = Lambda(lambda xin: K.sum(xin, axis=-2), output_shape=(units,))(sent_representation)

该 Lambda 层将加权隐藏状态向量相加，以获得最终使用的向量。

希望这有帮助!