Transformer多头注意力机制

多头注意力机制：多角度捕捉信息的直观解析

多头注意力机制是Transformer架构的核心创新，而多头注意力（Multi-Head Attention）则是对基础自注意力机制的重要扩展。它通过并行计算多个"注意力头"（head），让模型能够从不同角度理解序列数据中的关联关系，极大提升了模型的表达能力。

为什么需要多头注意力？

想象你正在阅读一篇文章，理解内容时你会同时关注多个方面：

• 词语之间的语法关系（主谓宾结构）
• 概念之间的语义关联（同义词、上下位词）
• 句子之间的逻辑衔接（因果、转折）

单一的注意力机制就像只用一种视角分析文本，而多头注意力则相当于让多个"专家"同时工作，每个专家专注于捕捉一种特定类型的关系，最后汇总所有专家的见解。

多头注意力的工作原理

1. 分头处理：多个视角并行计算

首先，我们将原始的查询（Q）、键（K）和值（V）通过不同的线性变换矩阵，投影到多个子空间中。每个子空间对应一个"注意力头"，独立计算注意力。

对于第 $i$ 个头（$i=1,2,...,h$）：
$${\text{head}}_i=\text{Attention}(Q{W}_i^Q,K{W}_i^K,V{W}_i^V)$$

其中：

• $W_i^Q,W_i^K,W_i^V$ 是第 $i$ 个头特有的可学习权重矩阵
• $\text{Attention}$ 是基础的自注意力计算函数：$\text{Attention}(Q,K,V)=\text{softmax}\left(\frac{Q{K}^T}{\sqrt{d_k}}\right)V$

实例说明：分析句子"猫 吃 鱼"

假设我们有3个注意力头，分别关注：

• 头1：语法关系（谁是动作的执行者）
• 头2：语义关联（动作与对象的匹配度）
• 头3：位置邻近关系（相邻词之间的联系）

原始输入矩阵（简化为2维向量）：
$$Q=\left[\begin{array}{c}{q}_1\\ q_2\\ q_3\end{array}\right]=\left[\begin{array}{cc}1& 0\\ 0& 1\\ 0& 0\end{array}\right],K=\left[\begin{array}{c}{k}_1\\ k_2\\ k_3\end{array}\right]=\left[\begin{array}{cc}1& 0\\ 0& 1\\ 0& 0\end{array}\right],V=\left[\begin{array}{c}{v}_1\\ v_2\\ v_3\end{array}\right]=\left[\begin{array}{cc}1& 0\\ 0& 1\\ 0& 0\end{array}\right]$$

每个头通过不同的投影矩阵处理：

• 头1投影矩阵：$W_1^Q=W_1^K=W_1^V=\left[\begin{array}{cc}1& 0\\ 0& 0\end{array}\right]$
• 头2投影矩阵：$W_2^Q=W_2^K=W_2^V=\left[\begin{array}{cc}0& 0\\ 0& 1\end{array}\right]$
• 头3投影矩阵：$W_3^Q=W_3^K=W_3^V=\left[\begin{array}{cc}1& 0\\ 0& 1\end{array}\right]$

计算第1个头的注意力：
$$Q{W}_1^Q=\left[\begin{array}{cc}1& 0\\ 0& 0\\ 0& 0\end{array}\right],K{W}_1^K=\left[\begin{array}{cc}1& 0\\ 0& 0\\ 0& 0\end{array}\right]$$
$${\text{scores}}_1=\frac{(Q{W}_1^Q)(K{W}_1^K{)}^T}{\sqrt{d_k}}=\left[\begin{array}{ccc}1& 0& 0\\ 0& 0& 0\\ 0& 0& 0\end{array}\right]$$
$${\text{head}}_1=\text{softmax}({\text{scores}}_1)\cdot (V{W}_1^V)=\left[\begin{array}{cc}1& 0\\ 0& 0\\ 0& 0\end{array}\right]$$

类似地，我们可以计算出第2个头和第3个头的结果，每个头会关注不同的关系模式。

2. 结果拼接：汇总多视角信息

将所有头的输出结果按列拼接，形成一个综合了多种视角的特征矩阵：

$$\text{concat\_heads}=\text{Concat}({\text{head}}_1,{\text{head}}_2,\dots ,{\text{head}}_h)$$

在我们的"猫 吃 鱼"例子中，3个头的输出拼接后：
$$\text{concat\_heads}=\left[\begin{array}{cccccc}{\text{head}}_1[1]& {\text{head}}_1[2]& {\text{head}}_2[1]& {\text{head}}_2[2]& {\text{head}}_3[1]& {\text{head}}_3[2]\\ {\text{head}}_1[3]& {\text{head}}_1[4]& {\text{head}}_2[3]& {\text{head}}_2[4]& {\text{head}}_3[3]& {\text{head}}_3[4]\\ {\text{head}}_1[5]& {\text{head}}_1[6]& {\text{head}}_2[5]& {\text{head}}_2[6]& {\text{head}}_3[5]& {\text{head}}_3[6]\end{array}\right]$$

3. 线性变换：映射回原始维度

最后，通过一个线性变换矩阵 $W^O$ 将拼接后的结果映射回模型的原始维度：

$$\text{output}=\text{concat\_heads}\cdot W^O$$

这个步骤将多个头的信息整合为一个统一的表示，既保留了多角度分析的优势，又保持了与模型其他部分的维度兼容性。

维度变换详解

假设我们有：

• 序列长度 $n=3$（例如"猫 吃 鱼"）
• 模型维度 $d_{\text{model}}=6$
• 头数 $h=3$
• 每个头的维度 $d_k=d_v=6/3=2$

各步骤的维度变换如下：

1. 初始输入：
   $$Q,K,V\in {\mathbb{R}}^{3\times 6}$$

2. 每个头的投影（从6维到2维）：
   $$Q{W}_i^Q,K{W}_i^K,V{W}_i^V\in {\mathbb{R}}^{3\times 2}$$

3. 每个头的输出：
   $${\text{head}}_i\in {\mathbb{R}}^{3\times 2}$$

4. 拼接所有头（3个头 × 2维 = 6维）：
   $$\text{concat\_heads}\in {\mathbb{R}}^{3\times (3\times 2)}={\mathbb{R}}^{3\times 6}$$

5. 最终输出（保持原始维度）：
   $$\text{output}\in {\mathbb{R}}^{3\times 6}$$

这种设计确保了多头注意力可以无缝集成到Transformer架构中，同时通过多个子空间的并行计算提升了模型能力。

多头注意力的优势

1. 多角度特征捕捉：不同头可以学习不同类型的关系模式

   例如在处理句子"他用电脑写代码"时：

   • 头1可能关注"他"与"写"的主谓关系
   • 头2可能关注"写"与"代码"的动宾关系
   • 头3可能关注"用"与"电脑"的工具关系

2. 模型容量提升：在保持计算复杂度可控的情况下增加了模型表达能力

3. 注意力分布合理化：避免单一注意力分布过于集中或分散

4. 正则化效果：多个头的并行计算相当于引入了隐式正则化，提高了模型泛化能力

总结

多头注意力机制通过以下三个步骤实现了多角度信息捕捉：

1. 分头处理：将Q、K、V投影到多个子空间，每个头独立计算注意力
2. 结果拼接：汇总所有头的输出，整合多视角信息
3. 线性变换：将拼接结果映射回原始维度，保持与模型其他部分的兼容性

这种机制让Transformer能够同时关注序列中不同类型的关系，大大提升了模型对复杂语言结构的理解能力，是现代Transformer架构不可或缺的核心组件。