目录
参考
感谢我的互联网导师：水论文的程序猿
参考资料和图片来源：
Transformer、GPT、BERT，预训练语言模型的前世今生
【Transformer系列（2）】注意力机制、自注意力机制、多头注意力机制、通道注意力机制、空间注意力机制超详细讲解
【Deformable DETR 论文+源码解读】Deformable Transformers for End-to-End Object Detection
一、Attention注意力机制
原理
我（查询q） 看-> 一张图 ( 被查询对象v )
我看这张图，第一眼，我就会去判断哪些东西对我而言更重要，哪些对我而言又更不重要（去计算 Q 和 V 里的事物的重要度）
重要度计算，其实是不是就是相似度计算（更接近），点乘其实是求内积。
计算过程
被查询对象： V = （ v 1 , v 2 , v 3 , . . . ） V = （v1, v2, v3, ...） V=（v1,v2,v3,...）
在transformer中，K == V
-
计算相似度： Q ∗ k 1 , Q ∗ k 2 , . . . . . . = s 1 , s 2 , . . s n . Q*k1 , Q*k2, ...... = s1, s2, ..sn. Q∗k1,Q∗k2,......=s1,s2,..sn.
-
归一化求概率： s o f t m a x ( s 1 , s 2 , s 3 , . . . ) = a 1 , a 2 , a 3 , . . a n . softmax(s1, s2, s3, ...) = a1, a2, a3, ..an. softmax(s1,s2,s3,...)=a1,a2,a3,..an.
-
更新V为V’： V ′ = ( a 1 ∗ v 1 + a 2 ∗ v 2 + . . . + a n ∗ v n ) V' = (a1*v1+a2*v2+...+an*vn) V′=(a1∗v1+a2∗v2+...+an∗vn)
这样就会就得到一个新的 V’，用 V’ 代替 V。这个新的 V’除了能表示K和V（K==V），还能代表Q的信息（对Q而言对K中哪个部分关注最多，最重要），找出来了Q对K的注意力集中在哪里。
二、自注意力机制
2.1 自注意力关键！！
K、 V、 Q 来自于同一个X，三者同源。所以叫做自注意力
K V Q 如何得到？ 通过x与三个向量参数（ W K , W V , W Q W^K, W^V, W^Q WK,WV,WQ）相乘得到。这三个参数向量也是我们要学习的东西。
2.2 实现步骤
1. 获取 K Q V
有一个句子是“ T h i n k i n g M a c h i n e s ”，该句子中有两个单词，两个单词的向量分别 x 1 , x 2 ，分别与（ W K , W V , W Q ） 3 个矩阵相乘得到 q 1 , q 2 , k 1 , k 2 , v 1 , v 2 的 6 个向量。 有一个句子是“Thinking Machines”，该句子中有两个单词，两个单词的向量分别x1,x2，分别与（W^K, W^V, W^Q）3个矩阵相乘得到q1,q2,k1,k2,v1,v2的6个向量。 有一个句子是“ThinkingMachines”，该句子中有两个单词，两个单词的向量分别x1,x2，分别与（WK,WV,WQ）3个矩阵相乘得到q1,q2,k1,k2,v1,v2的6个向量。
2. MatMul
q 1 分别与 k 1 , k 2 点乘得到得分，寻找 q 1 对 x 1 , x 2 的重要信息 q1分别与k1,k2点乘得到得分，寻找q1对x1,x2的重要信息 q1分别与k1,k2点乘得到得分，寻找q1对x1,x2的重要信息
3. scale + softmax归一化
scale：对得分进行规范，防止梯度下降出现问题。
softmax: 归一化求概率得到a1,a2
经过Softmax的归一化后，每个值是一个大于0且小于1的权重系数，且总和为0，这个结果可以被理解成一个权重矩阵W。
这个W就是注意力权重，其中包含着该单词与该句子之间的相关信息和更关心哪个部分。
4. MalMul
用得分比例 [0.88，0.12] 乘以[ v 1 , v 2 v1,v2 v1,v2]后得到相加得到z1 ： z 1 = ( a 1 ∗ v 1 + a 1 ∗ v 2 ) z1 = (a1 * v1 + a1*v2) z1=(a1∗v1+a1∗v2)
得到的新向量z1就是thinking这个单词的新的词向量，z1里面包含着thinking这个单词和“Thinking Machines”这句话里每一个单词的相似程度和关联信息。
同理可得到z2向量，代表machines的新的词向量。
2.3 自注意力机制的缺陷
- 自注意力机制虽然考虑了所有的输入向量，但没有考虑到向量的位置信息。在实际的文字处理问题中，可能在不同位置词语具有不同的性质，比如动词往往较低频率出现在句首。（解决：引入位置编码）
- 模型在对当前位置的信息进行编码时，会过度的将注意力集中于自身的位置，有效信息抓取能力就差一些。 （解决：引入多头注意力）
三、多头自注意力机制
计算机可能需要执行好几次注意力才能真正观察到图片中有效的信息，因此执行多头注意力，然后把多头注意力的值进行concat融合。
3.1 简介
简单理解：多组自注意力机制并行运行，最后把结果拼接起来。
3.2 实现步骤
- 定义多组 W q 、 W k 和 W v Wq、Wk和Wv Wq、Wk和Wv，生成多组Q、K和V
- 分别对多组进行自注意力机制，得到多组 z （ z 0 − z n z（z_0-z_n z（z0−zn）
- 多组 z （ z 0 − z n z（z_0-z_n z（z0−zn）进行拼接（cancat），再乘以矩阵W做一次线性变化降低维度，得到最终的Z。
3.3 公式
其中，x是输入特征，z表示 query，由x经过Wq线性变换来的，k是key的索引，q 是query的索引，M 表示多头注意力的头数，m代表第几注意力头部， A m q k A_{mqk} Amqk表示第m头注意力权重（即上图a中一直到SoftMax的过程）， W m ’ x k W^’_m x_k Wm’xk其实就是value，整个[ ]内的过程就是图a的全过程， W m W_m Wm是注意力施加在value之后的结果经过线性变换（也就是图b的Linear）从而得到不同头部的输出结果， Ω k \Omega_k Ωk表示所有key的集合。