transformer attention注意力理解 QKV含义深度探索

此处为b站学习视频记录
https://www.bilibili.com/video/BV1dt4y1J7ov/?share_source=copy_web&vd_source=c675206b339487e9755eec554de241a9


现在给出一个人的腰围为57， 想要预测他的体重，自然的，因为体重57在56和58之间，所以我们推断其体重在43～48之间

但是我们还需要定量计算体重预测值，怎么办呢？我们可以根据57和56，57和58的相似程度来给56对应的体重43和58对应的体重48赋予权重，再求和得到预测值。由于57到56、58的距离一样，所以一种方法是取它们对应的体重的平均值。

因为57距离56、58最近，我们自然会非常“注意”他们，所以我们分给他们的注意力权重各为0.5。

现在我们引入QKV，并将注意力范围扩展到整个数据集
q代表一个新的未见样本的输入，我们需要得到这个新的未见样本的输出
也就是说，我们需要查询q（query）对应的value，我们怎么做呢？我们只能用现有的已经见到的这些样本来做。
已经见到的样本叫做训练集，也就是说，我们需要通过训练集来查询query对应的value。
怎么查询呢？或者说我们怎么计算呢？那就是借助训练集，借助已有的键值对，借助已有的K和V
一个自然的想法就是：我观察我的新样本q和已知样本K，K和q越相似，其对应的value就越像q对应的value。
因此我们可以计算q和现有的所有的V之间的相似度，并且赋予那些与q相似的k对应的value高的权重，最终将赋权后的所有的k的value求和，就可以得到q所对应的value的预测值。


$\alpha$是任意能刻画相关性的函数，但需要归一化，我们以高丝核函数所为相似性度量函数，并将其通过softmax做归一化：

相应的，预测函数变为：

通过这种方式，我们就可以得到体重估计值，这也就是注意力机制。其实就是根据预测样本和训练集样本在输入空间的相似性得到权重，对训练样本的输出值进行加权得到预测值的过程。

现在我们来考虑QKV是多维向量时的情况：

注意力可以是以下几种：（参考李沐老师动手学深度学习课程注意力讲解）


我们以点积模型为例：

由此得到预测函数为：

为了方便，我们用矩阵来表示：

最重要的，从这里我们可以看出，K作为与Q与相同特征数量、与V具有相同样本个数的矩阵，K的行数一定等于Q的列数，K的列数一定等于V的行数。这一点非常重要，对于理解多头注意力的代码非常关键。我们必须弄清楚数据流经模型时每一步的形状，才能对数据的变换过程了如指掌。

为了缓解梯度消失问题，我们还会在归一化之前处以一个特征维度，得到：

我们把这一系列操作形象的称为：缩放点击注意力模型（scaled dot-product attention）
如果QKV是同一个矩阵会发生什么？那就是 自注意力

用X表示，则可以得到下面的式子：

但在实际运用中可能会对X先做不同的线性变换再输入，这里还有一个好处就是，通过线性变换，我们可以控制做注意力时的维度，人为的控制模型复杂度，比如Transformer。


这里的x^TW_k 应该是（XW_k)^T 视频作者笔误了。

一点思考

从沐神注意力机制的讲解我们就可以知道，注意力机制出现已久，是先贤们探索的结果。他一开始是一种预测算法，是根据预测样本和训练集样本在输入空间的相似性得到权重，对训练样本的输出值进行加权得到预测值的过程。
有趣的时，预测算法也可以看作一个特征提取器，比如mlp，本质就是我们将输入映射到的输出空间不同，如果映射到一维实数空间，我们就是在做回归，如果映射到离散的空间，可以认为我们就是在做分类。如果映射到多维空间，那就可以认为我们在做特征提取。
在这方面，cnn是在空间上做特征提取，rnn是在时间上做特征提取。就是都是一个encoder的过程，encoder？那就是transformer的特征提取器？那transformer的特征提取器由什么组成？那不就是注意力机制吗？

所以把注意力机制看透，他就是在做特征提取，而恰好，transformer看中了这个特征提取器组成了他的encoder，当然 decoder是在做解码，那解码和编码本就是相反的过程，所以特征提取器也可以做解码。
由此，transformer最本质的注意力机制，我想我不在那么模糊了。