加性注意力层

[源代码]

AdditiveAttention 类

keras.layers.AdditiveAttention(use_scale=True, dropout=0.0, **kwargs)

加性注意力层，也称为 Bahdanau 风格注意力。

输入是一个包含 2 或 3 个元素的列表：1. 形状为 (batch_size, Tq, dim) 的 query 张量。2. 形状为 (batch_size, Tv, dim) 的 value 张量。3. 可选的形状为 (batch_size, Tv, dim) 的 key 张量。如果没有提供，则 value 将用作 key。

计算步骤如下：1. 使用 query 和 key 计算注意力分数，形状为 (batch_size, Tq, Tv)，作为非线性总和 scores = reduce_sum(tanh(query + key), axis=-1)。2. 使用分数计算形状为 (batch_size, Tq, Tv) 的 softmax 分布。3. 使用 softmax 分布创建形状为 (batch_size, Tq, dim) 的 value 的线性组合。

参数

• use_scale：如果为 True，将创建一个标量变量来缩放注意力分数。
• dropout：0 到 1 之间的小数。注意力分数中要丢弃的单元格的分数。默认为 0.0。

调用参数

• inputs：以下张量的列表
  • query：形状为 (batch_size, Tq, dim) 的查询张量。
  • value：形状为 (batch_size, Tv, dim) 的值张量。
  • key：可选的形状为 (batch_size, Tv, dim) 的键张量。如果未给出，则将 value 用于 key 和 value，这是最常见的情况。
• mask：以下张量的列表
  • query_mask：形状为 (batch_size, Tq) 的布尔掩码张量。如果给出，则输出在 mask==False 的位置将为零。
  • value_mask：形状为 (batch_size, Tv) 的布尔掩码张量。如果给出，将应用掩码，以便 mask==False 位置的值不会对结果做出贡献。
• return_attention_scores：布尔值，如果为 True，则将注意力分数（掩码和 softmax 之后）作为额外的输出参数返回。
• training：Python 布尔值，指示层应该在训练模式（添加 dropout）下还是在推理模式（无 dropout）下运行。
• use_causal_mask：布尔值。对于解码器自注意力，设置为 True。添加一个掩码，使得位置 i 无法关注位置 j > i。这可以防止信息从未来流向过去。默认为 False。

输出：形状为 (batch_size, Tq, dim) 的注意力输出。(可选) 掩码和 softmax 之后的注意力分数，形状为 (batch_size, Tq, Tv)。