今天介绍transformer模型的Multi-Head Attention多头注意力。
原论文计算scaled dot-product attention和multi-head attention
实际整合到一起的流程为：
通过之前文章，假定我们已经理解了attention；今天我们按顺序来梳理一下整合之后的顺序。重新梳理Attention Is All You Need（Transformer模型）: Attention=距离，权重，概率；Multi-Head attention-CSDN博客
https://blog.csdn.net/ank1983/article/details/136998593
当使用多头注意力时，通常d_key = d_value = (d_model / n_heads)，其中n_heads是头的数量。研究人员表示，模型之所以能够“关注不同位置的不同表示子空间中的信息”，所以经常使用并行注意力层而不是全维度层。只有一个头时，平均化会阻止这种情况。
第一步：通过线性层W*传递输入Q、K和V
计算注意力的第一步是获取Q、K和V张量；它们分别是查询、键和值张量。它们是通过获取位置编码的嵌入（记作X）并同时将张量传递通过三个线性层（分别记作Wq、Wk和Wv）来计算的。这可以在上面的详细图像中看到。
- Q = XWq
- K = XWk
- V = XWv
- X has a size of (batch_size, seq_length, d_model). An example would be a batch of 32 sequences of length 10 with an embedding of 512, which would have a shape of (32, 10, 512).
- Wq, Wk, and Wv have a size of (d_model, d_model). Following the example above, they would have a shape of (512, 512).
The linear layers for Wq, Wk, and Wv can be created using nn.Linear(d_model, d_model).
**关于W*和线性层，可参考文章：
学习transformer模型-线性层（Linear Layer），全连接层（Fully Connected Layer）或密集层（Dense Layer）的简明介绍-CSDN博客https://blog.csdn.net/ank1983/article/details/137212380学习transformer模型-权重矩阵Wq，Wk，Wv的简明介绍-CSDN博客https://blog.csdn.net/ank1983/article/details/137160105
第二步：将Q、K和V分割为各自的头
创建了Q、K和V张量后，现在可以通过将d_model的视图更改为(n_heads, d_key)来将它们分割为各自的头。n_heads可以是一个任意数，但在处理较大的嵌入时，通常会选择8、10或12。请注意，d_key = (d_model / n_heads)。
- Q has a shape of (batch_size, n_heads, Q_length, d_key)
- K has a shape of (batch_size, n_heads, K_length, d_key)
- V has a shape of (batch_size, n_heads, V_length, d_key)
第三步：对每个头计算attention
关于点积和矩阵乘法，请参看：
学习transformer模型-点积dot product，计算attention-CSDN博客https://blog.csdn.net/ank1983/article/details/137093906学习transformer模型-矩阵乘法；与点积dot product的关系；计算attention-CSDN博客https://blog.csdn.net/ank1983/article/details/137090019
第四步：把所有头的attention结果拼接到一起（concat）。
把所有头的attention结果拼接到一起（concat）。
拼接操作会逆转最初进行的分割。第一步是转置n_heads和Q_length。第二步是将n_heads和d_key重新拼接在一起以得到d_model。
完成这些步骤后，A将具有（batch_size，Q_length，d_model）的形状。
第五步，也是最后一步：通过线性层Wo输出。
是将A通过Wo传递，其形状为（d_model，d_model）。再次，权重张量在每个批次中的每个序列上广播。最终的输出保持了其形状：
（batch_size，Q_length，d_model）
请注意，这个输出可以与原始输入X进行加权和，从而得到自注意力机制的输出。
用jupyter计算attention（没有multi-head）。可以参看以下文章，
原文链接：
https://medium.com/@hunter-j-phillips/multi-head-attention-7924371d477a
标签：Transformer,attention,heads,Attention,Head,length,key,model,size From： https://blog.csdn.net/ank1983/article/details/137228070