NLP很多任务中为什么需要mask？

1. PAD的问题

通常在训练NLP模型时，batch中的句子长度不相等，这个时候会对没有达到规定长度的句子会进行pad操作（一般用0进行pad），如下图所示（绿色是进行pad的部分）：

但是PAD会引起以下几个问题：

1.1 mean-pooling的问题

如上图所示，对于矩阵：
a=[3,7,11,2,1,8,5]

对a进行mean-pooling：

进行pad之后:
pad_a=[3,7,11,2,1,8,5,0,0,0]

对pad_a进行mean-pooling：

对比mean_a和mean_pad_a发现：pad操作影响mean-pooling。

1.2 max-pooling的问题

如上图所示，矩阵b=[−1,−3,−9,−11,−7,−2,−8]，pad之后的矩阵PAD_b=[−1,−3,−9,−11,−7,−2,−8,0,0,0]。
分别对其进行max-pooling：
max_b=−1;
max_pad_b=0;

对比max_a和max_pad_a发现：pad操作影响max-pooling。

1.3 attention的问题

attention技术是目前NLP任务的必备选项，在attention的计算中通常最后一步是使用softmax进行归一化操作，将数值转换为概率。但是如果直接对pad之后的向量进行softmax操作，那么pad的部分也会分摊一部分概率，这就导致有意义的部分（非pad部分）的概率之和不等于1。

2. 使用mask解决以上问题

mask是相对于pad而产生的技术，具备告诉模型一个向量有多长的功效。mask矩阵有如下特点：

1.mask矩阵是与pad之后的矩阵具有相同的shape；
2.mask矩阵只有1和0两个值，如果值为1表示对应的pad矩阵中该位置有意义，如果值为0表示对应的pad矩阵中该位置无意义。

在第1部分中的两个向量的mask矩阵（m=[1,1,1,1,1,1,1,0,0,0]m=[1,1,1,1,1,1,1,0,0,0]m=[1,1,1,1,1,1,1,0,0,0]）如下图所示：

2.1 解决mean_pooling的问题

2.2 解决max_pooling的问题

在进行max_pooling时，只需要将pad的部分的值足够小即可，可以将mask矩阵中值为0的位置替换的足够小

，则不会影响max_pooling计算。

2.3 解决attention的问题

该问题的解决方式跟max_pooling一样，就是将pad的部分足够小，使得e^x
的值非常接近于0，以至于可以忽略。

结论：所以只要任务中用到padding的话，一般都需要进行mask操作！！！