济南专业手机端网站建设北京网站建设开发公司

之前一直以为 Attention 和 RNN 没关系是凭空蹦出来的新概念；以为 Transformer, Encoder, Decoder 这几个概念是绑在一起的。并不尽然。

Encoder 和 Decoder

RNN 里就有 Encoder Decoder 的概念。其中，encoder 接受用户输入，写入 hidden state。Decoder 接受之前时刻的隐状态，并生成 logits。类似的架构也出现在 CNN 图像模型中。

所以，不论如何，只要是数据流长得像 encode, decode 的，都是 Encoder, Decoder

Attention 普遍意义上的注意力机制

上面 RNN 的问题是，decoder 只能拿到 encoder 最后的这个 <end> 位置的 feature，相当于必须串行接收整个输入，不能有注意力地选择输入序列的重点（不能加权）。

所以，我们想实现一个类似全连接的功能，在每个 decode 的位置，给输入序列的隐状态加个系数，共同喂给 decoder。所以，注意力其实就是把上面的这个序列算个系数。

但是怎么能让这个全连接矩阵可训练，可泛化是个问题。注意力机制引入了 Q, K, V 三个概念，其中 K, V 是 n 个 kv pair，Query 表示上图上面的部分，最后，Q 和 K 会两两一组算一个相关系数，然后用相关系数乘上 v，作为注意力输出。

其中，Q, K 表示。一个例子是我看涩图的注意力集中在人脸上，Q = 我； K = 涩图（V 和 K 严格绑定，是另一个空间对 K 的表示）Q,K 算一个相似度赋给 V.

一般 K = V。

自注意力机制

注意力是一个很宽泛的概念，不知道 QKV 是什么，自注意力机制则是规定了 QKV 同源，都是通过原始输入 $X$ 乘上线性矩阵 $W^q,W^k,W^v$ 产生的。

给定输入矩阵 $X$（形状为 $(n,d)$，其中 $n$ 是序列长度，$d$ 是嵌入维度），计算 Query（查询）、Key（键）、Value（值）：
$$Q=X{W}_Q,K=X{W}_K,V=X{W}_V$$
其中：

• $W_Q,W_K,W_V$ 是可训练的权重矩阵（形状均为 $(d,d_k)$）。
• $Q,K,V$ 的形状均为 $(n,d_k)$。

2. 计算注意力分数（Scaled Dot-Product Attention）

$$A=\frac{Q{K}^T}{\sqrt{d_k}}$$
其中：

• $K^T$ 是 Key 矩阵的转置（形状为 $(d_k,n)$），使得 $Q{K}^T$ 形状为 $(n,n)$。
• $\frac{1}{\sqrt{d_k}}$ 是缩放因子，防止大数值影响梯度。

3. 计算注意力权重（Softmax 归一化）

$$\alpha =\text{softmax}(A)$$
其中，$\alpha$ 形状为 $(n,n)$，表示序列中每个位置对其他位置的注意力权重。

4. 计算加权 Value

$$Z=\alpha V$$
其中：

• $Z$ 形状为 $(n,d_k)$，即每个输入位置的加权输出。

5. 多头注意力（Multi-Head Attention）

如果使用 $h$ 个头，每个头分别计算：
$$Z_i=\text{Attention}(X{W}_{Q_i},X{W}_{K_i},X{W}_{V_i})$$
然后将多个头的结果拼接并映射回原始维度：
$$Z=[Z_1,Z_2,\dots ,Z_h]W_O$$
其中：

• $W_O$ 是输出投影矩阵（形状为 $(h\cdot d_k,d)$）。
• $Z$ 形状回到 $(n,d)$。

Ref

https://zhuanlan.zhihu.com/p/109585084
https://www.cnblogs.com/nickchen121/p/16470710.html

https://www.cnblogs.com/nickchen121/p/16470711.html