注意力机制在softmax时需要除以一个根号8的作用

推断：从数学公式来看，起到一个缩放的效果，那么体现到注意力值上，我个人的理解是可以分散注意力而不至于过于集中某个token

实验：

描述：两组数据，原始得分数据为【8，16，32】，缩放后的数据【1，2，3】，最终看计算出来的值的差别

import numpy as np
 
def softmax(x, axis=1):
    # 计算每行的最大值
    row_max = x.max(axis=axis)
 
    # 每行元素都需要减去对应的最大值，否则求exp(x)会溢出，导致inf情况
    row_max=row_max.reshape(-1, 1)
    x = x - row_max
 
    # 计算e的指数次幂
    x_exp = np.exp(x)
    x_sum = np.sum(x_exp, axis=axis, keepdims=True)
    s = x_exp / x_sum
    return s

x = np.array([[8,16,24],[1,2,3]])
np.round(softmax(x),3)

array([[0.   , 0.   , 1.   ],
       [0.09 , 0.245, 0.665]])

结论证明：缩放具备分散注意力的作用；原始注意力值均聚集在得分最高的那个值即24，获得了权重为1；而缩放后，注意力值就分散些