有没有免费做物流推荐的网站谷歌seo快速排名软件首页

最简单的自注意力大家肯定都会啦。

但这种全连接的自注意力（即每个 token 需要 attend 到输入序列中的所有其他 token）计算与内存开销是 $O(n^2)$ 。为了缓解这个问题，研究者们提出了 Sliding Window Attention。

Sliding Window Attention

如果设置一个 window 大小为 $k$，那么每个 token 只与它前后相邻的 $k$ 个 token 计算注意力。这样每个 token 的注意力只在局部范围内计算，计算复杂度从 $O(n^2)$ 降低到了 $O(nk)$（通常 $k\ll n$）。

但问题来了：这种方式只能捕获局部依赖关系，不能直接获取长距离的信息。

堆叠多个 Sliding Window 层

有没有办法“间接”捕获远程依赖呢？

我们可以类比 CNN 中“感受野”的概念。通过堆叠多个 sliding window attention 层（比如 3 层，每层都有 window size $k$），第一个 token 的信息就可以被第三层的更远处的 token 捕获到。换句话说：

随着层数增加，感受野扩大，token 之间的间接信息流动也就可能发生。

Dilated Sliding Window Attention（膨胀窗口注意力）

进一步优化思路是：保持窗口大小不变，但每个 token 不再是关注它附近的连续 token，而是“跳跃”地关注，例如每隔 2 个或 4 个位置看一次。

这叫做 Dilated Sliding Window Attention，类似于 CNN 中的 dilated convolution。

它的好处是：在保持同样计算资源的情况下，感受野可以扩大。

但它的问题是：关注的是稀疏位置，可能忽略掉一些重要的局部细节信息。

Global Attention + Local Attention（Longformer 的核心）

为了解决局部不敏感的问题，Longformer 设计了 混合注意力模式：对大多数 token 只使用 Sliding Window Attention；对少数“重要的 token”（比如 [CLS] 或问题中的 token），使用 Global Attention，它们可以 attend 到所有其他 token，也可以被所有 token attend 到。

这种设计保留了局部建模的效率；又确保了关键 token 可以获取全局信息。