前言：

为何写此篇？

最近搞毕设，需要用到Attenion去学习时间序列，同性交友网（github）和CSDN也有很多文章，但是由于 Tensorflow迭代比较快，而很多历程使用的是旧版本，这让我们这种CV掏粪男孩很难受。而且由于大佬们的版本都是涉及到多通道的注意力值，我也就进行了简化，只处理单通道数据。所以写下此篇方便大家愉快CV，也顺便记录一下自己的感悟吧。

参考文献

https://github.com/philipperemy/keras-attention-mechanism.
https://blog.csdn.net/jinyuan7708/article/details/81909549.

正文

运行环境

代码

import numpy as np
np.random.seed(1337) # for reproducibility
import tensorflow as tf
from tensorflow.keras.models import Model
from tensorflow.keras.layers import LSTM,Dense,Permute,Input,Reshape,Multiply
import matplotlib.pyplot as plt

准备数据

1. 创建n条长度为time_stpes的时序数据集
2. 这个数据集里的数据x都是随机的，而数据集的标签y也是随机生成(0,1)
3. 把数据x中的其中一步attention_column全替换为和标签相同的值

也可以这么理解

1. 生成的数据x尺寸是 n行time_stpes列，内容是完全随机的
2. 生成的标签y是 n行随机的0和1
3. 把y的值赋给x中的第attention_column列

这就意味着，标签y只与x中的attention_column这一列有关，与其他数据没有任何关系。

代码

"""

产生一组尺寸为(n,timesteps,input_dim)的随机数据，其中第attention_column个时间序列的值与标签相同，相当于标签只取决于该行(个，行，列)数据

"""
def  get_data(n, time_steps, input_dim, attention_column=10):

	x = np.random.standard_normal(size=(n, time_steps, input_dim)) #标准正态分布随机特征值

	y = np.random.randint(low=0, high=2, size=(n, 1)) #二分类，随机标签值

	x[:, attention_column, :] = np.tile(y[:], (1, input_dim)) #将第attention_column列的值赋值为标签值

	return x, y

在这里设置了步长为64的时间序列,把第10步赋值为与标签列相同

n =  60000  #样本数

time_stpes =  64  #时序时长

input_dim =  1  #通道数

attention_column =  10  #把该行设置为与标签一致

x,y = get_data(n,time_stpes,input_dim) #生成数据

模型建立

attention层

attention模型本质上就是一个全连接层，计算输入序列各个时间点的权重，并和输入按位相乘作为新的输入。训练完成后，可以把它看成一个自控里的能观器吧，可以读取这个权重得到注意力值，权重越高说明对输出的贡献越大。

def  attention_3d_block(inputs,SINGLE_ATTENTION_VECTOR  =  False):

	input_dim =  int(inputs.shape[2]) # shape = (batch_size, time_steps, input_dim)

	a = Permute((2, 1))(inputs) # shape = (batch_size, input_dim, time_steps)

	a = Reshape((input_dim, time_stpes))(a) # this line is not useful. It's just to know which dimension is what.

	a = tf.keras.layers.Dense(time_stpes, activation='softmax')(a)# 为了让输出的维数和时间序列数相同（这样才能生成各个时间点的注意力值）

	a_probs = Permute((2, 1), name='attention_vec')(a) # shape = (batch_size, time_steps, input_dim)

	output_attention_mul = Multiply()([inputs, a_probs]) #把注意力值和输入按位相乘，权重乘以输入

return output_attention_mul

定义模型

def  model_attention_applied_before_lstm(inputs):

	attention_mul = attention_3d_block(inputs)

	attention_mul = LSTM(32, return_sequences=False)(attention_mul)

	outputs = Dense(1, activation='sigmoid')(attention_mul)

return outputs

input_data = Input(shape=(time_stpes,input_dim))

label_data = model_attention_applied_before_lstm(input_data)

model = Model(input_data,label_data)

  
  

model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])

model.summary()

  

from tensorflow.keras.utils import plot_model

plot_model(model, to_file='.\model.png') #保存模型结构图片

模型结构图

模型训练

用tensorboard记录训练数据，开始训练

hist = tf.keras.callbacks.TensorBoard(log_dir  =  './hist',histogram_freq  =  0 , write_graph  =  True,write_images  =  True)

model.fit(x,y,batch_size  =  256,epochs=20,validation_split=0.1,verbose=2,callbacks  = [hist])

训练效果,

Epoch 1/20 211/211 - 7s - loss: 0.6932 - accuracy: 0.5004 - val_loss: 0.6930 - val_accuracy: 0.5027 
Epoch 2/20 211/211 - 6s - loss: 0.6352 - accuracy: 0.6069 - val_loss: 0.4977 - val_accuracy: 0.7533 
Epoch 3/20 211/211 - 6s - loss: 0.3382 - accuracy: 0.8504 - val_loss: 0.2163 - val_accuracy: 0.9142 
Epoch 4/20 211/211 - 6s - loss: 0.1476 - accuracy: 0.9439 - val_loss: 0.1129 - val_accuracy: 0.9592 
Epoch 5/20 211/211 - 6s - loss: 0.0753 - accuracy: 0.9731 - val_loss: 0.0662 - val_accuracy: 0.9743 
Epoch 6/20 211/211 - 6s - loss: 0.0405 - accuracy: 0.9861 - val_loss: 0.0502 - val_accuracy: 0.9822 
Epoch 7/20 211/211 - 6s - loss: 0.0231 - accuracy: 0.9926 - val_loss: 0.0378 - val_accuracy: 0.9868 
Epoch 8/20 211/211 - 6s - loss: 0.0129 - accuracy: 0.9960 - val_loss: 0.0291 - val_accuracy: 0.9903 
Epoch 9/20 211/211 - 6s - loss: 0.0078 - accuracy: 0.9979 - val_loss: 0.0228 - val_accuracy: 0.9923 
Epoch 10/20 211/211 - 6s - loss: 0.0044 - accuracy: 0.9988 - val_loss: 0.0229 - val_accuracy: 0.9928 
Epoch 11/20 211/211 - 6s - loss: 0.0034 - accuracy: 0.9991 - val_loss: 0.0197 - val_accuracy: 0.9938 
Epoch 12/20 211/211 - 6s - loss: 0.0049 - accuracy: 0.9984 - val_loss: 0.0113 - val_accuracy: 0.9958 
Epoch 13/20 211/211 - 6s - loss: 8.9616e-04 - accuracy: 0.9998 - val_loss: 0.0105 - val_accuracy: 0.9965 
Epoch 14/20 211/211 - 6s - loss: 4.5989e-04 - accuracy: 0.9999 - val_loss: 0.0111 - val_accuracy: 0.9968 
Epoch 15/20 211/211 - 6s - loss: 1.8766e-04 - accuracy: 1.0000 - val_loss: 0.0108 - val_accuracy: 0.9970 
Epoch 16/20 211/211 - 6s - loss: 1.2927e-04 - accuracy: 1.0000 - val_loss: 0.0114 - val_accuracy: 0.9967 
Epoch 17/20 211/211 - 6s - loss: 8.2761e-05 - accuracy: 1.0000 - val_loss: 0.0111 - val_accuracy: 0.9968 
Epoch 18/20 211/211 - 6s - loss: 6.1741e-05 - accuracy: 1.0000 - val_loss: 0.0118 - val_accuracy: 0.9967 
Epoch 19/20 211/211 - 6s - loss: 5.4057e-05 - accuracy: 1.0000 - val_loss: 0.0114 - val_accuracy: 0.9968 
Epoch 20/20 211/211 - 6s - loss: 4.0670e-05 - accuracy: 1.0000 - val_loss: 0.0112 - val_accuracy: 0.9970
<tensorflow.python.keras.callbacks.History at 0x211f52ffbb0>

读取注意力值(权重值)

tf.keras想输出中间层(隐藏层)的输出，就需要新建一个模型

activate_output_modle = Model(inputs  = model.input,outputs  = model.get_layer('attention_vec').output) #新建一个从注意力层直接输出的模型，用于输出注意力的值
activate_value = np.zeros([1,time_stpes,input_dim])

每次生成一组新数据输入到新建的activate_output_modle模型中，得到输出的注意力值，循环1000次并取平均

test_items =  1000

for i in  range(test_items):

	testing_inputs_1, testing_outputs_1 = get_data(1, time_stpes, input_dim)

	activate_output = activate_output_modle.predict(testing_inputs_1)

	activate_value = activate_output + activate_value

activate_value = activate_value/test_items

得到的注意力值如图所示

显然，注意力层已经学习到了10这步时间点的重要性了