AI预测-注意力机制/多头注意力机制及其tensorflow实现

AI预测相关目录

AI预测流程，包括ETL、算法策略、算法模型、模型评估、可视化等相关内容
最好有基础的python算法预测经验

1. EEMD策略及踩坑
2. VMD-CNN-LSTM时序预测
3. 对双向LSTM等模型添加自注意力机制
4. K折叠交叉验证
5. optuna超参数优化框架
6. 多任务学习-模型融合策略
7. Transformer模型及Paddle实现
8. 迁移学习在预测任务上的tensoflow2.0实现
9. holt提取时序序列特征
10. TCN时序预测及tf实现
11. 注意力机制/多头注意力机制及其tensorflow实现

---

---

一、注意力机制

《AI-预测-对双向LSTM等模型添加自注意力机制》一文中曾提到过自注意力机制，实际上注意力机制的有关内容原不仅这一点。

本次将分享注意力机制/多头注意力机制及其tensorflow实现。

注意力机制（Attention Mechanism）是一种让模型关注输入数据中重要部分，忽略不重要部分的方法。它通过赋予输入数据不同的权重，来决定每个部分对最终输出的贡献。注意力机制可以看作是一种特殊的加权平均，权重是通过模型学习得到的，代表了输入数据各部分的重要性。

多头注意力机制（Multi-Head Attention Mechanism）是注意力机制的一种扩展形式。在多头注意力机制中，模型同时关注输入数据的不同部分，并从多个角度或层面来处理这些信息。每个“头”可以看作是一个独立的注意力机制，对输入数据的不同部分进行加权处理。通过这种方式，多头注意力机制可以更全面地理解输入数据，并从中提取更丰富的语义信息。

多头注意力机制的优点包括：

1.捕获输入数据的不同方面：由于有多个注意力头，模型可以从不同的角度或层面来理解输入数据，从而更全面地捕获其语义信息。

2.增强模型的表示能力：多头注意力机制使得模型可以学习到更多的特征表示，从而在各种自然语言处理任务中取得更好的性能。

3.提高模型的泛化能力：由于多头注意力机制可以从多个角度来理解输入数据，因此它可以更好地泛化到新的任务和数据集上。

然而，多头注意力机制也有一些缺点：

1.计算复杂度高：由于有多个注意力头，每个头都需要计算其权重矩阵等参数，因此计算复杂度相对较高。

2.参数数量多：多头注意力机制中的参数数量相对较多，这可能会导致模型训练时过拟合的问题。

---

二、代码示例

注意力机制定义

def attention_function(inputs, single_attention_vector=False):    
    # 定义 attention_function 函数，接受输入 inputs 和单一注意力向量标志 single_attention_vector    
    TimeSteps = K.int_shape(inputs)[1]
    # 获取 inputs 的时间步数（序列长度）    
    input_dim = K.int_shape(inputs)[2]
    # 获取 inputs 的特征维度    
    a = Permute((2, 1))(inputs)
    # 将 inputs 的维度进行转置，维度顺序变为 (特征维度, 时间步维度)   
    a = Dense(TimeSteps, activation='softmax')(a)
    # 经过全连接层，输出维度为 (特征维度, 时间步维度)，并使用 softmax 激活函数    
    if single_attention_vector:
        a = Lambda(lambda x: K.mean(x, axis=1))(a)
        # 如果 single_attention_vector 为 True，则对第二个维度进行求平均，得到单一注意力向量
        a = RepeatVector(input_dim)(a)
        # 将单一注意力向量进行复制，使其与 inputs 的维度一致    
    a_probs = Permute((2, 1))(a)
    # 再次将注意力权重进行转置，维度顺序变为 (时间步维度, 特征维度)  
    output_attention_mul = Multiply()([inputs, a_probs])
    # 使用 Multiply 层将 inputs 和注意力权重进行元素级乘法操作    
    return output_attention_mul
    # 返回经过注意力机制处理后的结果 output_attention_mul

注意力机制使用

model = Sequential()  # 创建Sequential模型
inputs = Input(shape=(look_back, 1))  # 定义输入层，shape为(look_back, 1)
LSTM_out = LSTM(neurons, return_sequences=True, activation="tanh")(inputs)  # 创建LSTM层，返回序列，并使用tanh激活函数
Batch_Normalization = BatchNormalization()(LSTM_out)  # 批量归一化层
Drop_out = Dropout(dropout)(Batch_Normalization)  # Dropout层，根据给定的dropout率进行随机失活
attention = attention_function(Drop_out)  # 注意力层，根据Drop_out进行注意力计算
Batch_Normalization = BatchNormalization()(attention)  # 批量归一化层
Drop_out = Dropout(dropout)(Batch_Normalization)  # Dropout层
Flatten_ = Flatten()(Drop_out)  # 展平层
output = Dropout(dropout)(Flatten_)  # Dropout层
output = Dense(1, activation='sigmoid')(output)  # 全连接层，输出维度为1，激活函数为sigmoid
model = Model(inputs=[inputs], outputs=output)  # 创建模型，指定输入和输出
model.compile(loss='mean_squared_error', optimizer='adam')  # 编译模型，使用均方误差损失函数和adam优化器

多头注意力机制定义

class MultiHeadAttention(tf.keras.layers.Layer):
    def __init__(self, input_units, head_units, transform_units, **kargs):
        super().__init__()
        self.head_units = head_units    
        self.dense_q = TimeDistributed(Dense(transform_units * head_units))
        self.dense_k = TimeDistributed(Dense(transform_units * head_units))
        self.dense_v = TimeDistributed(Dense(transform_units * head_units))
        self.attention = Attention(**kargs)   
        self.dense_output = TimeDistributed(Dense(input_units))


    def _split_and_concat(self, x):
        return K.concatenate(tf.split(x, self.head_units, axis=-1), axis=0)


    def _call_(self, q, v, q_mask, v_mask):
        print(q, v, q_mask, v_mask)
        k = v
        q_transform = self._split_and_concat(self.dense_q(q))
        v_transform = self._split_and_concat(self.dense_v(v))
        k_transform = self._split_and_concat(self.dense_k(k))
        
        head_concat = K.concatenate(
            tf.split(
                self.attention(
                    [q_transform, v_transform, k_transform],
                    mask=[
                        K.tile(q_mask, [self.head_units, 1]),
                        K.tile(v_mask, [self.head_units, 1])
                    ]
                ),
                self.head_units, 
                axis=0
            ),
            axis=-1
        )
        return self.dense_output(head_concat)

多头注意力机制使用与类似

---

总结

完结，撒花！