多头注意力机制（Multi-Head Attention）

本文主要是介绍多头注意力机制（Multi-Head Attention），希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

文章目录

- - 多头注意力机制的作用
  - 多头注意力机制的工作原理
  - 为什么使用多头注意力机制？
  - 代码示例

多头注意力机制（Multi-Head Attention）是Transformer架构中的一个核心组件。它在机器翻译、自然语言处理（NLP）等领域取得了显著的成功。多头注意力机制的引入是为了增强模型的能力，使其能够从不同的角度关注输入序列的不同部分，从而捕捉更多层次的信息。

多头注意力机制的作用

在多头注意力机制中，the number of heads 参数指的是“头”的数量，即注意力机制的独立并行子层的数量。每个头独立地执行注意力机制（Self-Attention 或 Attention），然后将这些头的输出连接起来，再通过线性变换得到最终的输出。

多头注意力机制的工作原理

以下是多头注意力机制的详细步骤和解释：

线性变换：
- 对输入进行线性变换，生成多个查询（Query）、键（Key）和值（Value）。
- 每个头都有独立的线性变换，这意味着不同的头可以学到不同的特征。
假设输入的维度是 ( $d_{model}$ )，头的数量是 ( $h$ )，每个头的维度是 ( $d_k = d_{model} / h$ )。

对于输入 ( $\mathbf{X}$ )，我们有：

$\mathbf{Q}_i = \mathbf{X} \mathbf{W}_i^Q, \quad \mathbf{K}_i = \mathbf{X} \mathbf{W}_i^K, \quad \mathbf{V}_i = \mathbf{X} \mathbf{W}_i^V$

其中 ( $i$ ) 表示第 (i) 个头，( $\mathbf{W}_i^Q, \mathbf{W}_i^K, \mathbf{W}_i^V$ ) 是线性变换矩阵。
计算注意力：
- 每个头独立地计算注意力（例如，使用缩放点积注意力机制）。
缩放点积注意力的公式为：
[
\text{Attention}(\mathbf{Q}, \mathbf{K}, \mathbf{V}) = \text{softmax}\left(\frac{\mathbf{Q} \mathbf{K}^T}{\sqrt{d_k}}\right) \mathbf{V}
]
连接（Concatenation）：
- 将所有头的输出连接起来，形成一个新的矩阵。
如果有 (h) 个头，每个头的输出维度是 (d_k)，则连接后的维度为 (h \times d_k = d_{model})。
线性变换：
- 将连接后的矩阵通过一个线性变换，得到最终的输出。
[
\text{MultiHead}(\mathbf{Q}, \mathbf{K}, \mathbf{V}) = \text{Concat}(\text{head}_1, \text{head}_2, \ldots, \text{head}_h) \mathbf{W}^O
]
其中，(\mathbf{W}^O) 是输出的线性变换矩阵。

为什么使用多头注意力机制？

多样性：不同的头可以关注输入的不同部分，捕捉到更多样化的特征和模式。
稳定性：多个头的存在使得模型在学习过程中更加稳定和鲁棒。
增强模型能力：通过并行地执行多个注意力机制，模型能够更好地捕捉长程依赖关系和复杂的结构信息。

代码示例

以下是一个简单的 PyTorch 示例，展示多头注意力机制的实现：

import torch
import torch.nn as nn
import torch.nn.functional as Fclass MultiHeadAttention(nn.Module):def __init__(self, d_model, num_heads):super(MultiHeadAttention, self).__init__()self.num_heads = num_headsself.d_model = d_modelself.d_k = d_model // num_headsassert d_model % num_heads == 0, "d_model must be divisible by num_heads"self.query_linear = nn.Linear(d_model, d_model)self.key_linear = nn.Linear(d_model, d_model)self.value_linear = nn.Linear(d_model, d_model)self.out_linear = nn.Linear(d_model, d_model)def forward(self, query, key, value):batch_size = query.size(0)# Linear projectionsquery = self.query_linear(query).view(batch_size, -1, self.num_heads, self.d_k).transpose(1, 2)key = self.key_linear(key).view(batch_size, -1, self.num_heads, self.d_k).transpose(1, 2)value = self.value_linear(value).view(batch_size, -1, self.num_heads, self.d_k).transpose(1, 2)# Scaled dot-product attentionscores = torch.matmul(query, key.transpose(-2, -1)) / torch.sqrt(torch.tensor(self.d_k, dtype=torch.float32))attention = F.softmax(scores, dim=-1)output = torch.matmul(attention, value)# Concat and linear projectionoutput = output.transpose(1, 2).contiguous().view(batch_size, -1, self.d_model)output = self.out_linear(output)return output# Example usage
d_model = 512
num_heads = 8
batch_size = 64
sequence_length = 10mha = MultiHeadAttention(d_model, num_heads)
query = torch.randn(batch_size, sequence_length, d_model)
key = torch.randn(batch_size, sequence_length, d_model)
value = torch.randn(batch_size, sequence_length, d_model)output = mha(query, key, value)
print(output.shape)  # Expected output: (64, 10, 512)