AdditiveAttention 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-style 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 key 张量，形状为 (batch_size, Tv, dim)。如果未提供，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)，作为非线性求和 scores = reduce_sum(tanh(query + key), axis=-1)。2. 使用分数计算 softmax 分布，形状为 (batch_size, Tq, Tv)。3. 使用 softmax 分布创建 value 的线性组合，形状为 (batch_size, Tq, dim)。

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 之间的浮点数。用于注意力分数的单元丢弃比例。默认为 0.0。

调用参数

• inputs：以下张量的列表
  • query：查询张量，形状为 (batch_size, Tq, dim)。
  • value：值张量，形状为 (batch_size, Tv, dim)。
  • key：可选的键张量，形状为 (batch_size, Tv, dim)。如果未给出，将同时使用 value 作为 key 和 value，这是最常见的情况。
• mask：以下张量的列表
  • query_mask：布尔掩码张量，形状为 (batch_size, Tq)。如果给出，在 mask==False 的位置，输出将为零。
  • value_mask：布尔掩码张量，形状为 (batch_size, Tv)。如果给出，将应用掩码，使得 mask==False 位置的值不参与结果的贡献。
• return_attention_scores：布尔值，如果为 True，则将注意力分数（经过掩码和 softmax 后）作为额外的输出参数返回。
• training：Python 布尔值，指示该层是应以训练模式（添加 dropout）还是推理模式（无 dropout）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 不能关注位置 j > i。这可以防止信息从未来流向过去。默认为 False。

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