当前位置：首页 > news >正文

深刻理解深度学习的注意力机制Attention

news 来源：原创 2025/6/14 8:26:53

前言

最近研究了很多精妙的transformer资料，发现各大教育机构的对此讲解的讳莫如深，本着求索的态度，所以查了相关的资料和原始文献，结合自己的理解，写一点东西，希望能对你有所帮助。

Attention 解释

简单来说，Attention（注意力机制）是一种让模型自动“关注”重要信息、忽略不重要内容的机制，就像人们在阅读一段话时会本能地关注关键字。

我们从最简单的例子讲起，参考很多教学资料的经典的一句话：

“我昨天吃了一个苹果，它非常甜。”

请问这里的“它”是指什么？

你肯定会说：“它”就是“苹果”！

没错！因为你人脑在读“它”这个字时，自动把注意力放回到前面的“苹果”，从而理解整句话的意思。

但计算机并不会自己理解这种“代词指代关系”。

我们让模型读这句话：

“我昨天吃了一个苹果，它非常甜。”

模型可能会懵逼：“‘它’是指昨天？还是我？还是苹果？”

这时候就需要 Attention 机制出马了！

Attention 的核心能力

模型在处理某个词（比如“它”）时，能够自动“关注”与它相关的其他词（比如“苹果”），从而更准确地理解句子的语义。
用一句话形象的理解：Attention 能让模型把注意力集中在“有用的词”上。

Attention 机制的实现

先看一下Attention的公式：

Attention(Q, K, V) = softmax(Q × K^T / √d) × V

我们逐个拆开。

理解 Q、K、V

Q、K、V对应（查询、键、值）
你可以这样理解这三个概念：

术语	类比	解释
Q（Query）	你想查什么	比如“它”
K（Key）	可能的候选项	比如“我”“昨天”“苹果”
V（Value）	实际的信息内容	和每个词相关的向量表示
简单说：

Q 就是你当前处理的词，K 是你要匹配的候选，V 是词的真实信息。

计算相似度

Q × K^T

比如现在要处理“它”，就拿“它”的向量（Q）去跟所有其他词的向量（K）做对比，看谁最像。
将QK相乘后的矩阵做行列对调^T得到新的矩阵，点积
点积越大，说明两个词越相关。

归一化处理

softmax()函数做归一化处理
对所有相似度做一个 softmax，让它们变成概率分布：
如下：

词	相似度（点积）	归一化后权重
我	1.2	0.1
昨天	0.5	0.05
苹果	4.0	0.85

→ 模型知道“它”与“苹果”关系最大，应该重点关注它。
向量维度 d 很大，比如 512、1024，点积的数值就可能变得非常大，于是就需要做缩放处理，如下步骤。

缩放点积

√d
d 是每个向量的维度（可能是64 或 128或更大的值），√d 是对这个维度进行开方来做缩放处理。
为啥呢？因为softmax 遇到很大的值会“爆炸”，从而导致：

某几个位置变成 0.99、0.999…
其他全变成接近 0
权重分布极端化，训练不稳定，模型收敛困难！
除以 √d 是为了防止向量维度越大，点积值越大，从而导致 softmax 输出过于极端，影响模型效果。
这个技巧也被称为：
Scaled Dot-Product Attention（缩放点积注意力）

加权求和

最后公式乘上 V

把每个词的表示（V）按照刚才算出的权重加权平均。
这样你就得到了一个新的“融合了相关信息”的向量。

这个向量就是“它”的最终表示，包含了“苹果”的语义！

代码实现

#入门简洁版代码
import numpy as npdef softmax(x):"""对最后一维做 softmax"""e_x = np.exp(x - np.max(x, axis=-1, keepdims=True))  # 防止溢出return e_x / np.sum(e_x, axis=-1, keepdims=True)def attention(Q, K, V):"""Q: [n, d] 查询向量K: [n, d] 键向量V: [n, d] 值向量返回: 注意力输出 [n, d]"""d_k = Q.shape[-1]  # 向量维度 dscores = np.dot(Q, K.T) / np.sqrt(d_k)  # 计算 Q 和 K 的相似度，并缩放weights = softmax(scores)              # 得到注意力权重output = np.dot(weights, V)            # 用注意力权重加权 Vreturn output, weights#测试样例
# 假设我们有 3 个词，每个词是 3 维向量
Q = np.array([[1, 0, 0],[0, 1, 0],[0, 0, 1]], dtype=np.float32)K = np.array([[1, 0, 0],[0, 1, 0],[0, 0, 1]], dtype=np.float32)V = np.array([[10, 0, 0],[0, 10, 0],[0, 0, 10]], dtype=np.float32)output, weights = attention(Q, K, V)print("Attention Weights:\n", weights)
print("Output:\n", output)#输出结果
Attention Weights:[[0.843, 0.078, 0.078],[0.078, 0.843, 0.078],[0.078, 0.078, 0.843]]Output:[[8.43, 0.78, 0.78],[0.78, 8.43, 0.78],[0.78, 0.78, 8.43]]

小结

对于每个词，Attention 做了 3 步：

计算当前词（Q）和所有词（K）的相似度
变成概率分布（softmax）
用这个概率去加权所有的词（V）得到最终的输出
这样，模型就可以自动“关注”关键部分了！
举个实际例子来感受一下：
句子：“The animal didn’t cross the street because it was too tired.”
这个句子里，“it” 到底指“animal”还是“street”？
人脑会根据语义判断：“它很累”显然是“animal”在累。
Attention 就能捕捉到这一点：

Q = “it”
K = [“The”, “animal”, “didn’t”, …, “street”]
Attention 会分配最大权重给 “animal”，因为“它”和“animal”最相关。

多头注意力（Multi-head Attention）

刚刚我们讲的是一组 Q、K、V，其实 Transformer 是多个头一起做 Attention！

每个头可以“关注”不同的信息维度：
有的关注语法结构
有的关注长距离关系
有的关注词性搭配
然后把多个头的结果拼起来，让模型拥有更全面的理解。

自注意力（Self-Attention）

自注意力就是自己和自己做 Attention。

每个词都和其他词（包括自己）计算 Attention。
比如句子：“I love you”：

“I” 会关注 “I”、“love”、“you”
“love” 会关注“I”、“love”、“you”
“you” 也一样

这样每个词都能“看全局”，知道跟自己相关的词有哪些。

Attention特点总结

特点	说明
全局建模	可以一次性看全句所有词
并行计算	不像 RNN 要一个个处理，可以并行
聚焦关键	自动抓住关键内容
易扩展	可堆叠、可组合，非常灵活

Attention 应用场景

应用	举例
NLP	机器翻译、问答系统、对话生成
计算机视觉	图像分类、图像描述、图像问答
多模态任务	文本+图像、文本+语音
编程任务	代码补全、代码解释

特别是 ChatGPT、BERT、T5、GPT-4 这些模型，都是用的 Attention 机制！