第8讲、Multi-Head Attention 的核心机制与实现细节

🤔 为什么要有 Multi-Head Attention？

单个 Attention 机制虽然可以捕捉句子中不同词之间的关系，但它只能关注一种角度或模式。

Multi-Head 的作用是：

多个头 = 多个视角同时观察序列的不同关系。

例如：

• 一个头可能专注主语和动词的关系；
• 另一个头可能专注宾语和介词；
• 还有的可能学习句法结构或时态变化。

这些头的表示最终会被拼接（concatenate）后再线性变换整合成更丰富的上下文表示。

🔍 技术深入：Multi-Head Attention 计算过程

Multi-Head Attention 的计算过程如下：

1. 对输入 X 进行线性变换得到 Q、K、V 矩阵
2. 将 Q、K、V 分割成 h 个头
3. 每个头独立计算 Attention
4. 拼接所有头的输出
5. 最后进行一次线性变换

# 伪代码实现
def multi_head_attention(X, h=8):# 线性变换获得 Q, K, VQ = X @ W_q  # [batch_size, seq_len, d_model]K = X @ W_kV = X @ W_v# 分割成多头Q_heads = split_heads(Q, h)  # [batch_size, h, seq_len, d_k]K_heads = split_heads(K, h)V_heads = split_heads(V, h)# 每个头独立计算 attentionattn_outputs = []for i in range(h):attn_output = scaled_dot_product_attention(Q_heads[:, i], K_heads[:, i], V_heads[:, i])attn_outputs.append(attn_output)# 拼接所有头的输出concat_output = concatenate(attn_outputs)  # [batch_size, seq_len, d_model]# 最后的线性变换output = concat_output @ W_oreturn output

---

🧮 如何判断多少个头（h）？

Transformer 默认将 d_model（模型维度）均分给每个头。

设：

• d_model = 512：模型的总嵌入维度
• h = 8：头数

那么每个头的维度为：

d_k = d_model // h = 512 // 8 = 64

一般要求：

⚠️ d_model 必须能被 h 整除。

📊 参数计算

Multi-Head Attention 中的参数量：

• 输入投影矩阵：3 × (d_model × d_model) = 3d_model²
• 输出投影矩阵：d_model × d_model = d_model²

总参数量：4 × d_model²

例如，当 d_model = 512 时，参数量约为 100 万。

---

📌 头的数量怎么选？

头数 h	每头维度 d_k	适用情境
1	全部	基线，最弱（没多视角）
4	中等	小模型，如 tiny Transformer
8	64	标准配置，如原始 Transformer
16	更细粒度	大模型中常见，如 BERT-large

实际训练中：

• 小任务（toy 或翻译教学）：用 2 或 4 个头就够了。
• 真实 NLP 任务：建议使用 8 个头（Transformer-base 规范）。
• 太多头而模型参数不足时，效果可能反而下降（每头维度太小）。

📈 头数与性能关系

研究表明，头数与模型性能并非简单的线性关系：

• 头数过少：无法捕捉多种语言模式
• 头数适中：性能最佳
• 头数过多：每个头的维度变小，表达能力下降

🔬 实验发现

Michel et al. (2019) 的研究《Are Sixteen Heads Really Better than One?》发现：

1. 在训练好的模型中，并非所有头都同等重要
2. 大多数情况下，可以剪枝掉一部分头而不显著影响性能
3. 不同层的头有不同的作用，底层头和顶层头往往更为重要

---

💡 Multi-Head Attention 的优势

1. 并行计算：所有头可以并行计算，提高训练效率
2. 多角度表示：捕捉不同类型的依赖关系
3. 信息冗余：多头提供冗余信息，增强模型鲁棒性
4. 注意力分散：防止单一头过度关注某些模式

🧠 总结一句话

Multi-Head 的本质是多角度捕捉词与词的关系，提升模型对上下文的理解能力。头数越多，观察角度越多，但每个头的维度会减小，需注意平衡。

---

📊 Attention 可视化

不同头学习到的注意力模式各不相同。以下是一个英语句子在 8 头注意力机制下的可视化示例：

可以看到：

• 头1：关注相邻词的关系
• 头2：捕捉主语-谓语关系
• 头3：识别句法结构
• 头4：连接相关实体
• 其他头：各自专注于不同的语言特征

这种多角度的观察使得 Transformer 能够全面理解文本的语义和结构。

---

🖥️ Streamlit 交互式可视化案例

想要直观地理解 Multi-Head Attention？以下是一个使用 Streamlit 构建的交互式可视化案例，让你可以实时探索不同头的注意力模式：

import streamlit as st
import numpy as np
import torch
import torch.nn as nn
import matplotlib.pyplot as plt
import seaborn as sns
from transformers import BertTokenizer, BertModel# 页面设置
st.set_page_config(page_title="Multi-Head Attention 可视化", layout="wide")
st.title("Multi-Head Attention 可视化工具")# 加载预训练模型
@st.cache_resource
def load_model():tokenizer = BertTokenizer.from_pretrained('bert-base-chinese')model = BertModel.from_pretrained('bert-base-chinese', output_attentions=True)return tokenizer, modeltokenizer, model = load_model()# 用户输入
user_input = st.text_area("请输入一段文本进行分析:", "Transformer是一种强大的神经网络架构，它使用了Multi-Head Attention机制。",height=100)# 处理文本
if user_input:# 分词并获取注意力权重inputs = tokenizer(user_input, return_tensors="pt")outputs = model(**inputs)# 获取所有层的注意力权重attentions = outputs.attentions  # tuple of tensors, one per layer# 选择层layer_idx = st.slider("选择Transformer层:", 0, len(attentions)-1, 0)# 获取选定层的注意力权重layer_attentions = attentions[layer_idx].detach().numpy()# 获取头数num_heads = layer_attentions.shape[1]# 选择头head_idx = st.slider("选择注意力头:", 0, num_heads-1, 0)# 获取选定头的注意力权重head_attention = layer_attentions[0, head_idx]# 获取标记tokens = tokenizer.convert_ids_to_tokens(inputs["input_ids"][0])# 可视化fig, ax = plt.subplots(figsize=(10, 8))sns.heatmap(head_attention, xticklabels=tokens, yticklabels=tokens, cmap="YlGnBu", ax=ax)plt.title(f"第 {layer_idx+1} 层，第 {head_idx+1} 个头的注意力权重")st.pyplot(fig)# 显示注意力模式分析st.subheader("注意力模式分析")# 计算每个词的平均注意力avg_attention = head_attention.mean(axis=0)top_indices = np.argsort(avg_attention)[-3:][::-1]st.write("这个注意力头主要关注的词:")for idx in top_indices:st.write(f"- {tokens[idx]}: {avg_attention[idx]:.4f}")# 添加交互式功能if st.checkbox("显示所有头的对比"):st.subheader("所有头的注意力对比")# 为每个头创建一个小型热力图# 计算行列数以适应任意数量的头num_cols = 4num_rows = (num_heads + num_cols - 1) // num_cols  # 向上取整fig, axes = plt.subplots(num_rows, num_cols, figsize=(15, 3*num_rows))axes = axes.flatten()for h in range(num_heads):sns.heatmap(layer_attentions[0, h], xticklabels=[] if h < (num_heads-num_cols) else tokens, yticklabels=[] if h % num_cols != 0 else tokens, cmap="YlGnBu", ax=axes[h])axes[h].set_title(f"头 {h+1}")# 隐藏未使用的子图for h in range(num_heads, len(axes)):axes[h].axis('off')plt.tight_layout()st.pyplot(fig)# 添加解释st.markdown("""### 如何解读这个可视化:- 颜色越深表示注意力权重越高- 纵轴代表查询词（当前词）- 横轴代表键词（被关注的词）- 每个头学习不同的关注模式通过调整滑块，你可以探索不同层和不同头的注意力模式，观察模型如何理解文本中的关系。""")# 运行说明
st.sidebar.markdown("""
## 使用说明1. 在文本框中输入你想分析的文本
2. 使用滑块选择要查看的层和注意力头
3. 查看热力图了解词与词之间的注意力关系
4. 勾选"显示所有头的对比"可以同时查看所有头的模式这个工具帮助你直观理解 Multi-Head Attention 的工作原理和不同头的功能分工。
""")# 代码说明
with st.expander("查看完整代码实现"):st.code("""
import streamlit as st
import numpy as np
import torch
import torch.nn as nn
import matplotlib.pyplot as plt
import seaborn as sns
from transformers import BertTokenizer, BertModel# 页面设置
st.set_page_config(page_title="Multi-Head Attention 可视化", layout="wide")
st.title("Multi-Head Attention 可视化工具")# 加载预训练模型
@st.cache_resource
def load_model():tokenizer = BertTokenizer.from_pretrained('bert-base-chinese')model = BertModel.from_pretrained('bert-base-chinese', output_attentions=True)return tokenizer, modeltokenizer, model = load_model()# 用户输入和可视化逻辑
# ...此处省略，与上面代码相同
""")### 🚀 如何运行这个可视化工具1. 安装必要的依赖:
```bash
pip install streamlit torch transformers matplotlib seaborn

2. 将上面的代码保存为 attention_viz.py

3. 运行 Streamlit 应用:

streamlit run attention_viz.py

这个交互式工具让你可以:

• 输入任意文本并查看注意力分布
• 选择不同的 Transformer 层和注意力头
• 直观对比不同头学习到的不同模式
• 分析哪些词获得了最高的注意力权重

通过这个可视化工具，你可以亲自探索 Multi-Head Attention 的工作原理，加深对这一机制的理解。