这篇论文提出了Attention机制对于Encoder-Decoder进行改进。在Encoder-Decoder结构中,Encoder将输入序列编码为
。这样做的一个潜在问题是,如果原始序列中包含的许多信息,而
的长度又是一定的,那么
就存不下我们所需的所有信息。
利用Attention机制,Decoder可以在输入序列中选取需要的特征,提高了Encoder-Decoder模型的性能。
首先,让我们先来回顾下LSTM的机制。LSTM的结构图如下图所示:
* 红色表示输入
* 蓝色表示输出
* 绿色表示记忆单元
* 虚线表示前一时刻的变量
每个组件的具体表达式如下:
意义 | 表达式 |
---|---|
数据输入 | |
输入门 | |
遗忘门 | |
输出门 |
包含两种非线性激活函数:
方括号[ ]表示线性变化,具有一般形式:
每个函数具有不同参数W,R,p, b,通过训练获得。
LSTM的一种变体 attention LSTM
LSTM新增了一个和输入同尺度的注意力权重
,由输入和输出/隐状态计算得到:
, 其中k是计算相关性的网络
用这个权重给原始输入加权
使用加权的输入代替原来的
,那么LSTM的结构如下图所示:
让我们再回到论文的内容
结构
从输入到输出依旧经过decoder及encoder两个部分。
* 特征(annotation): {
}, 每个
都是一个D维特征,共有L个,描述图像的不同区域。
* 上下文(context): {
},每个
也是一个D维特征,共有C个,表示每个单词对应的上下文。
* 输出(caption): {
}。
组成一句“说明”(caption)。句子长度C不定。每个单词
是一个K维概率,K是词典的大小。
从输入图像 I 到 a
特征a直接使用现成的VGG网络中conv5_3层的14 * 14 * 512特征。所以,区域数量 L = 14 * 14 = 196,维度 D = 512
从 a 到 z
每个特征向量
对应的权重
是根据聚焦模型
计算得到的。
计算得到权重之后,我们就可以计算
函数将在下面部分讨论,总共有两种形式 hard 以及 soft.
权重
记录了对每个特征向量
的关注
从 z 到 y
z作为LSTM的输入,y作为LSTM的输出