1. 项目概述从“读句子”到“看全局”的认知跃迁你有没有试过跟一个刚学说话的孩子解释“为什么‘猫追老鼠’里‘追’这个动作的主语是‘猫’而不是‘老鼠’”孩子可能盯着“老鼠”这个词反复念却抓不住句子真正的主干。这恰恰是传统语言模型几十年来最头疼的问题——它们像那个孩子一样只能盯着眼前的一个词一边读一边忘越长的句子越容易把开头的主角弄丢。而Transformer模型的出现本质上不是给AI装上了更快的CPU而是给它配了一副能同时看清整页书、还能用不同颜色荧光笔标出所有逻辑关系的眼镜。它解决的从来不是“算得快不快”而是“能不能真正理解”。我带过三届NLP方向的实习生几乎每个人第一次跑通RNN模型时都兴奋地截图发群但当他们把训练数据从200字扩展到2000字模型准确率断崖式下跌时那种困惑和挫败感至今记得很清楚。后来我们改用Transformer结构重做实验同样的数据、同样的硬件结果不是“快了一点”而是“终于能稳定工作了”。这种质变就藏在“自注意力机制”这四个字里。它让模型不再被时间顺序绑架而是拥有了人类阅读时那种“扫一眼全文心里就有数”的直觉能力。这篇文章要讲的就是这副“智能眼镜”是怎么被设计出来的——不是堆砌公式而是还原当年工程师在白板上画草图时的真实思考为什么必须放弃RNN的链条为什么LSTM的“记忆门”还是不够用那个决定性的“让每个词看所有词”的灵感究竟来自哪里如果你正在学NLP、准备面试算法岗或者只是好奇ChatGPT为什么不像老式翻译软件那样频繁翻车那么接下来的内容就是你真正需要的底层逻辑。2. 核心思路拆解为什么“并行看全句”是唯一出路2.1 RNN的物理局限信息在传递链中必然衰减很多人把RNN失败归结为“记性差”这其实是个误解。RNN不是不想记住而是它的结构决定了它根本无法避免遗忘。想象一条由100个齿轮咬合组成的传动轴第一个齿轮转动带动第二个再带动第三个……以此类推。如果每个齿轮在传递动力时都有1%的能量损耗那么第100个齿轮收到的动力只剩下最初的约36%0.99^100 ≈ 0.36。RNN的隐藏状态h_t就是这个逐级传递的“动力”。它每处理一个新词就要把前一时刻的状态h_{t-1}和当前词x_t一起输入一个非线性函数生成新的h_t。这个过程看似连续实则每一次计算都在引入微小的数值误差。这些误差在反向传播时会沿着时间轴被反复乘以权重矩阵W_hh的特征值。当W_hh的谱半径最大特征值绝对值小于1梯度就会指数级缩小——这就是“梯度消失”大于1则梯度爆炸。这不是调参能解决的数学本质问题。我曾用PyTorch手动实现过一个5层RNN输入长度设为50训练时loss曲线像心电图一样剧烈抖动最后收敛到一个连“the cat sat”都预测不准的水平。后来我把序列长度砍到10模型立刻稳定下来。这说明什么说明RNN的瓶颈不在代码而在它的拓扑结构——它天生就是为短程依赖设计的。当你强行让它处理长距离依赖比如判断“虽然他昨天说不会来但今天早上他还是出现在了会议现场”中“他”指代的是谁RNN就像一个近视眼在雾中找人离得越远轮廓越模糊。2.2 LSTM的工程修补用“便签本”对抗遗忘却付出了代价LSTM试图用一套精巧的“门控机制”来模拟人类的记忆管理。它引入了三个关键组件遗忘门、输入门、输出门还有一个长期存储的“细胞状态”C_t。这相当于给每个齿轮旁边配了一个便签本每次传递动力前先快速扫一眼便签决定哪些信息该擦掉遗忘门哪些该记下输入门最后再决定展示多少给下一个齿轮输出门。这套设计在2014年确实惊艳它让模型在Penn Treebank等基准测试上首次突破了80%的准确率。但我在实际部署一个客服对话系统时发现LSTM的“便签本”有个致命软肋它太依赖“书写时机”。比如用户说“我想取消上个月23号订的那台戴尔XPS笔记本订单号是D123456。”LSTM在读到“戴尔XPS笔记本”时会努力把“戴尔”“XPS”“笔记本”这几个词写进便签但当它读到“订单号是D123456”时便签本已经快满了它不得不擦掉一些早期信息结果“上个月23号”这个关键时间点就被覆盖了。更麻烦的是LSTM的门控计算本身就很重。每个时间步它要计算4次矩阵乘法遗忘门、输入门、候选细胞状态、输出门各一次还要做4次sigmoid/tanh激活。这意味着处理一个100词的句子它要做400次矩阵乘法。而Transformer呢它把整个句子一次性喂进去所有词的注意力计算可以并行完成。实测下来在同等GPU上LSTM处理1000条长句的耗时是Transformer的3.2倍。这不是优化能抹平的鸿沟这是架构层面的代差。2.3 Transformer的范式革命放弃“时间流”拥抱“关系网”Transformer的论文标题《Attention is All You Need》不是口号而是宣言。它宣告了一种全新的建模哲学语言的本质不是时间序列而是词与词之间的关系网络。这个洞察直接击中了NLP的命门。我们教孩子学语言从来不是按“第一个词、第二个词……”这样机械地教而是通过大量例句让他们自己归纳出“主语-谓语-宾语”、“定语-中心词”这些关系模式。Transformer做的就是把这种归纳过程自动化了。它的核心不是“我怎么记住前面的词”而是“我现在看到的所有词彼此之间有什么关系”。这就彻底绕开了RNN/LSTM的时间依赖陷阱。举个具体例子句子“The cat that the dog chased ran away.”。传统模型在处理“ran”时要从头开始回溯经过“cat”、“that”、“the”、“dog”、“chased”才能勉强关联到主语“cat”。而Transformer的自注意力层会在计算“ran”的表示时直接对“cat”赋予最高权重比如0.65对“dog”赋予中等权重0.25对“chased”赋予较低权重0.1瞬间建立长距离依赖。这种能力不是靠“记性好”而是靠“视野广”。它不需要记住“cat”在哪里因为它此刻就能“看见”“cat”。这就像一个经验丰富的编辑拿到一篇稿子第一眼不是从第一个字读起而是快速扫视全文找出所有人物、事件、时间点然后在脑中构建一张关系图。Transformer的每一层都在做这件事。这才是它能支撑起GPT、BERT这些庞然大物的根本原因——它把NLP从“序列建模”升级为了“关系建模”。3. 自注意力机制详解四步走让每个词都成为自己的“关系总监”3.1 步骤一从文字到向量——词嵌入不是魔法而是坐标系的建立计算机不认识“猫”它只认识数字。所以第一步我们必须把每个词映射到一个高维空间里的点这个过程叫“词嵌入”Word Embedding。很多人以为Embedding是Transformer发明的其实不然。早在2013年Word2Vec就证明了“语义相似的词在向量空间里距离也近”。比如“king” - “man” “woman” ≈ “queen”。Transformer沿用了这个思想但它做了一个关键升级它不再使用预训练好的静态向量如GloVe而是让模型自己学习一套上下文敏感的动态向量。这意味着同一个词“bank”在“river bank”河岸和“bank account”银行账户中会被映射到完全不同的位置。这个向量空间的维度就是Transformer的“隐藏层大小”hidden_size通常设为768或1024。你可以把它想象成一个768维的坐标系每个词都是这个超空间里的一个点。但这里有个重要细节常被忽略初始嵌入向量是没有位置信息的。也就是说模型知道“cat”是一个点“sat”是另一个点但它完全不知道“cat”在“sat”前面。这就像给你一张世界地图上面标了北京、上海、广州的位置但没告诉你哪个在东、哪个在西。所以仅仅有词嵌入是不够的我们还需要告诉模型“谁在谁左边”。这就是“位置编码”Positional Encoding登场的原因。Transformer使用正弦/余弦函数生成位置向量确保不同位置的编码在向量空间里是线性可分的。最终每个词的输入表示是词嵌入向量和位置编码向量的逐元素相加。这个设计非常巧妙它既保留了词的语义信息来自词嵌入又注入了词序信息来自位置编码而且相加操作保证了两种信息在后续计算中能被同等对待。我见过太多初学者直接把词嵌入喂给注意力层结果模型完全学不会语法就是因为漏掉了这一步。位置编码不是锦上添花它是让Transformer理解“顺序”的基石。3.2 步骤二计算相关性——点积不是巧合而是几何直觉的体现现在每个词都有了一个带位置信息的向量。下一步我们要让模型学会“这个词和那个词有多相关”。自注意力的核心计算就是查询Query、键Key、值Value三者的互动。这听起来很抽象但用生活场景解释就很简单想象你在图书馆找一本关于“量子计算”的书。你脑子里有一个模糊的“查询”Query——“我想了解量子比特怎么工作的”。然后你走到书架前每本书的书脊上都印着关键词这就是“键”Key——“量子力学”、“计算机科学”、“算法”。你快速扫视所有书脊把你的“查询”和每本书的“键”做比较算出一个匹配分数。分数最高的那本书你就去拿它的内容也就是“值”Value——书里的正文。Transformer做的就是把这个过程数学化。对于句子中的每个词i它会生成三个向量Query_i X_i * W_Q X_i是词i的输入向量W_Q是可学习的权重矩阵Key_j X_j * W_K X_j是词j的输入向量Value_j X_j * W_V X_j是词j的输入向量然后计算Query_i和Key_j的点积Score_{i,j} Query_i · Key_j。为什么是点积因为点积在几何上代表两个向量的“相似度”或“投影长度”。两个向量方向越一致点积越大越垂直点积越接近零。这完美契合了我们对“相关性”的直觉。比如“cat”的Query向量和“mouse”的Key向量因为都属于动物范畴方向相近点积就大而“cat”的Query和“run”的Key虽然有动作关系但语义范畴不同点积就小。但这里有个陷阱点积的值会随着向量维度d_k的增大而变大导致softmax后梯度不稳定。所以Transformer在点积后除以√d_kd_k是Key向量的维度这个缩放因子是论文里一个不起眼但至关重要的细节。我第一次复现时没加这个缩放训练loss一直震荡调了三天才发现是这里错了。这个小小的√d_k就是让整个注意力机制能稳定训练的关键“安全阀”。3.3 步骤三归一化与聚焦——Softmax不是装饰而是注意力的“聚光灯”得到所有Score_{i,j}后我们得到了一个“相关性得分矩阵”。但这个矩阵的数值是任意的不能直接用来加权。我们需要把它变成一个概率分布即所有得分加起来等于1这样才能作为“权重”去组合Value向量。这就是Softmax函数的用武之地Weight_{i,j} exp(Score_{i,j}) / Σ_k exp(Score_{i,k})。Softmax的作用就是把一串杂乱的分数变成一组“注意力权重”清晰地告诉我们当处理词i时应该把多少“注意力”分配给词j。回到“cat chase mouse”的例子计算“chase”的Query和所有词的Key点积后可能得到[cat: 8.2, chase: 5.1, mouse: 7.9]。经过Softmax就变成了[cat: 0.52, chase: 0.01, mouse: 0.47]。你看“chase”自己只占了1%的权重而“cat”和“mouse”这两个真正和它发生关系的词占据了99%的权重。这就是Softmax的魔力——它自动把“聚光灯”打在最重要的几个词上抑制了无关噪声。但Softmax也有副作用它会让权重分布变得“尖锐”。如果某个词的Score远高于其他词它的权重会趋近于1其他词权重趋近于0模型就变成了“只听一个词”失去了综合判断的能力。为了解决这个问题后续的改进模型如ALiBi会加入线性偏置让模型更平滑地分配注意力。不过在基础Transformer里我们接受这种“聚焦”特性因为它正是模型能抓住核心关系的原因。3.4 步骤四加权求和——从“相关性”到“新表示”的质变最后一步也是最关键的一步用上一步得到的权重Weight_{i,j}去加权求和所有词j的Value向量得到词i的上下文感知的新表示Contextualized RepresentationOutput_i Σ_j Weight_{i,j} * Value_j。这一步完成了从“我知道这个词和那些词有关”到“我现在有了一个融合了所有相关信息的新词义”的飞跃。继续用“chase”的例子它的新表示Output_chase就是0.52 * Value_cat 0.01 * Value_chase 0.47 * Value_mouse。这个新向量已经不再是孤立的“chase”而是“被猫追逐的老鼠”这个完整事件的浓缩。它天然包含了主语、宾语、动作三者的关系。这个新表示会作为下一层注意力的输入继续参与更复杂的推理。整个过程就像一个经验丰富的厨师面对一堆食材原始词向量不是简单地把它们摆在一起而是根据每种食材的特性Query/Key精准地控制火候和比例Weight最终炒出一道融合了所有精华的新菜Output。我带实习生做实验时会让他们可视化注意力权重矩阵。当看到“chase”那一行权重果然集中在“cat”和“mouse”上时那种“啊哈”的顿悟感是任何公式推导都无法替代的。这就是自注意力的直观魅力——它把抽象的“语义关系”转化成了可视、可验证的“数值权重”。4. 实操环节手写一个最小可用Transformer注意力层4.1 环境与依赖用最简工具验证最核心逻辑要真正吃透自注意力光看理论是不够的必须亲手敲几行代码。这里我推荐用PyTorch因为它对张量操作的支持最直观且无需GPU也能跑通小规模示例。你需要安装的只有两个包pip install torch numpy注意我们不追求工业级性能而是追求逻辑透明。所以我们不用nn.MultiheadAttention这种封装好的模块而是从零开始用最基本的torch.nn.Linear和torch.nn.functional.softmax来搭建。这样每一个矩阵乘法、每一个Softmax都清清楚楚地展现在你面前。我建议你新建一个Python文件比如attention_demo.py然后跟着下面的步骤一行一行地敲。不要复制粘贴要自己敲边敲边理解每个变量的形状shape意味着什么。张量的形状就是理解深度学习的钥匙。4.2 定义输入与参数从“Hello World”开始的向量化首先我们构造一个极简的输入句子“cat sat mat”。为了便于演示我们把每个词映射到一个4维向量实际中是768维但4维足够看清原理。我们可以手动定义一个词表vocabulary和对应的嵌入矩阵embedding matriximport torch import torch.nn as nn import torch.nn.functional as F import numpy as np # 1. 定义词表和嵌入矩阵 (4维向量) vocab [PAD, cat, sat, mat] # 手动初始化一个4x4的嵌入矩阵每一行对应一个词的向量 # 这里用随机数但为了可重现我们固定seed torch.manual_seed(42) embedding_matrix nn.Embedding(len(vocab), 4) # PAD占位共4个词 # 2. 将句子转为索引并获取嵌入向量 sentence [cat, sat, mat] # 查词表得到索引 [1, 2, 3] indices torch.tensor([vocab.index(word) for word in sentence]) # 获取嵌入向量形状为 (3, 4)即3个词每个4维 X embedding_matrix(indices) # shape: (3, 4) print(输入句子嵌入 X:) print(X) print(fX shape: {X.shape})运行这段代码你会看到一个3x4的张量。这就是我们的起点。注意X.shape是(3, 4)其中3是序列长度sequence length4是向量维度d_model。这个形状将贯穿整个注意力计算过程是所有后续操作的“地基”。4.3 构建Q/K/V矩阵三把“尺子”测量三种关系接下来我们要为每个词生成Query、Key、Value向量。这需要三个独立的线性变换Linear Layer每个都学习一套权重矩阵W_Q, W_K, W_V。在标准Transformer中这三个矩阵的维度都是d_model x d_k或d_v其中d_k d_v d_model。为了简化我们设d_k d_v 4。# 3. 定义三个线性层用于生成 Q, K, V # 每个层的输入是4维输出也是4维 W_Q nn.Linear(4, 4, biasFalse) W_K nn.Linear(4, 4, biasFalse) W_V nn.Linear(4, 4, biasFalse) # 4. 计算 Q, K, V Q W_Q(X) # shape: (3, 4) K W_K(X) # shape: (3, 4) V W_V(X) # shape: (3, 4) print(\nQ (Query) matrix:) print(Q) print(fQ shape: {Q.shape})这里的关键是理解Q,K,V的形状。Q和K都是(3, 4)这意味着我们可以计算Q K.TQ乘以K的转置得到一个(3, 3)的矩阵——这正是我们需要的“词与词之间的相关性得分矩阵”。V也是(3, 4)它将被这个(3, 3)的权重矩阵加权求和最终输出一个(3, 4)的新表示。这个形状的完美匹配不是巧合而是Transformer架构精心设计的结果。它保证了信息流的顺畅和维度的一致性。4.4 计算注意力分数与输出四步合一见证质变现在我们把前面四步的数学逻辑用代码完整地串联起来# 5. 计算注意力分数 (Attention Scores) # Q K.T 得到 (3, 3) 的分数矩阵 scores torch.matmul(Q, K.transpose(-2, -1)) # shape: (3, 3) print(\nRaw attention scores (Q K.T):) print(scores) # 6. 缩放 (Scale) d_k K.size(-1) # d_k 4 scaled_scores scores / torch.sqrt(torch.tensor(d_k, dtypetorch.float32)) print(f\nScaled scores (divided by sqrt({d_k})):) print(scaled_scores) # 7. 应用Softmax得到注意力权重 weights F.softmax(scaled_scores, dim-1) # 在最后一维列上softmax print(f\nAttention weights (after softmax, sum of each row 1):) print(weights) # 8. 加权求和 Value得到最终输出 output torch.matmul(weights, V) # shape: (3, 4) print(f\nFinal output (weighted sum of V):) print(output) print(fOutput shape: {output.shape})运行这段代码你会看到完整的计算流程。特别注意weights矩阵它的每一行加起来都等于1。比如第二行对应“sat”这个词的权重可能是[0.45, 0.30, 0.25]这意味着“sat”的新表示是由45%的“cat”、30%的“sat”自身、25%的“mat”共同构成的。这正是“上下文感知”的体现——“sat”不再是一个孤立的动作而是“猫坐在垫子上”这个事件中的一个环节。这个output张量就是自注意力层的最终产物它将被送入下一层网络进行更深层次的抽象。整个过程没有黑箱只有清晰的矩阵运算。当你亲手跑通这个demo看着output的数值随着X的变化而变化时那种对Transformer的掌控感是读一百篇博客都无法获得的。5. 常见问题与避坑指南那些只有踩过才知道的“暗礁”5.1 问题一注意力权重全为零或全为一——“死锁”现象现象描述在训练初期你可视化注意力权重矩阵发现某一行比如处理“the”的那一行所有权重都接近0.333如果是3个词或者某一个权重接近1其余接近0。模型似乎“学不会”区分重点。根本原因这通常是初始化不当或缩放因子缺失导致的。如果W_Q和W_K的权重矩阵初始化得过大Q K.T的点积会非常大经过Softmax后最大的那个分数会趋近于1其他趋近于0形成“赢家通吃”的死锁。反之如果初始化过小所有点积都接近0Softmax后就变成均匀分布。解决方案严格使用Xavier初始化在创建W_Q,W_K,W_V时必须使用nn.init.xavier_uniform_()。这是Transformer论文明确推荐的。W_Q nn.Linear(4, 4, biasFalse) nn.init.xavier_uniform_(W_Q.weight)确认缩放因子检查你的代码里是否有/ sqrt(d_k)。这个操作不是可选的是稳定训练的必要条件。我见过太多人在复现时因为漏掉这一行调试一周无果。提示一个快速的自查方法是在计算scaled_scores后打印其均值和标准差。一个健康的初始化其scaled_scores均值应在0附近标准差在0.5-1.0之间。如果标准差是5或0.01那初始化肯定有问题。5.2 问题二训练loss不下降甚至发散——梯度爆炸的幽灵现象描述模型训练时loss一开始很小但几个epoch后突然变成nan或者loss曲线像过山车一样剧烈震荡。根本原因这往往不是注意力层本身的问题而是残差连接Residual Connection和层归一化Layer Normalization的缺失或错位。Transformer的每一层注意力层、前馈层后面都必须紧跟一个残差连接x Sublayer(x)和一个层归一化LayerNorm(x Sublayer(x))。残差连接保证了信息的“高速公路”让梯度可以无损地回传层归一化则稳定了每一层的输入分布防止内部协变量偏移Internal Covariate Shift。解决方案检查架构图拿出Transformer原论文的Figure 1对照你的代码确认Add Norm模块是否被正确放置在每一个子层之后。层归一化的维度LayerNorm是对最后一个维度即特征维度进行归一化而不是对batch维度。错误地写成nn.LayerNorm([batch_size, seq_len])是常见错误。# 正确对特征维度4归一化 norm nn.LayerNorm(4) # 错误试图对batch和seq维度归一化 # norm nn.LayerNorm([3, 4]) # 这会报错5.3 问题三长文本处理缓慢——并行优势为何没体现现象描述你听说Transformer是并行的但当你把句子长度从10增加到1000时训练速度并没有线性提升甚至变慢了。根本原因这是对“并行”的一个经典误解。Transformer的计算是并行的但内存是平方级增长的。注意力分数矩阵的大小是seq_len x seq_len。当seq_len1000时这个矩阵有100万个元素。在GPU上存储和计算这样一个巨大的矩阵会迅速耗尽显存并触发频繁的内存交换反而拖慢速度。解决方案使用内存优化技术对于长文本必须采用稀疏注意力Sparse Attention或局部注意力Local Attention。Hugging Face的transformers库中Longformer和Reformer模型就是为此设计的。分块计算Block-wise Computation不一次性计算整个Q K.T而是把Q和K切成小块一块一块地计算、softmax、加权求和最后拼接。这牺牲了一点点计算效率但换来了内存的线性增长。flash-attn库就是基于此原理的工业级实现。5.4 问题四模型“死记硬背”泛化能力差——过拟合的陷阱现象描述在训练集上loss很低准确率很高但在验证集上表现糟糕甚至不如一个简单的LSTM。根本原因这通常是因为正则化不足。Transformer拥有海量参数是“过拟合”的温床。仅靠Dropout是不够的。解决方案加大Dropout率在注意力层的输出和前馈层的输出上使用0.1-0.3的Dropout率而不是常见的0.05。标签平滑Label Smoothing在计算交叉熵损失时不要让目标标签是严格的[1, 0, 0, ...]而是将其平滑为[0.9, 0.033, 0.033, ...]。这迫使模型不要对某个类别过于自信从而提升鲁棒性。criterion nn.CrossEntropyLoss(label_smoothing0.1)权重衰减Weight Decay在优化器中加入L2正则化torch.optim.AdamW是Adam的升级版内置了权重衰减应作为首选。实操心得在我指导的一个学生项目中他们用一个小型Transformer做新闻分类训练集准确率98%验证集只有72%。我们只做了两件事把Dropout从0.1提高到0.3并启用了label_smoothing0.1。结果验证集准确率立刻提升到85%。这说明对于Transformer正则化不是“锦上添花”而是“生死攸关”。6. 多头注意力的动机与实现为什么一个“头”不够用6.1 单头注意力的盲区一种关系无法涵盖全部语义单头自注意力虽然强大但它有一个隐含的假设所有词对之间的关系都可以用同一种“相似度”来衡量。这显然不符合语言的复杂性。回到“cat sat on the mat”这个句子“cat”和“sat”之间是“主谓”关系“sat”和“on”之间是“动介”关系“on”和“mat”之间是“介宾”关系。如果只用一个Query/Key矩阵去捕捉所有这些关系它必然会顾此失彼。就像一个只会用一把尺子的木匠无论量长度、宽度还是角度都用同一把尺子精度必然受限。单头注意力就像这把尺子它能很好地捕捉某一种特定的关系比如主题一致性但对于语法结构、指代消解、情感倾向等多维度信息就显得力不从心。6.2 多头的设计哲学分而治之各司其职多头注意力Multi-Head Attention的解决方案非常朴素既然一个头不行那就用多个头每个头专注学习一种关系模式。在Transformer中我们不是只生成一组Q/K/V而是生成h组h是头数通常为8或12。每一组都有自己独立的W_Q^i, W_K^i, W_V^i权重矩阵。然后对每一组我们都独立地执行一遍完整的自注意力计算得到h个不同的输出向量。最后我们将这h个向量拼接concatenate起来并通过一个线性层W_O进行投影得到最终的输出。这个过程可以用一个公式概括MultiHead(Q, K, V) Concat(head_1, ..., head_h) * W_O where head_i Attention(Q * W_Q^i, K * W_K^i, V * W_V^i)这个设计的精妙之处在于它没有增加模型的“理解难度”而是增加了模型的“表达能力”。每个头可以自由地学习自己认为重要的模式有的头可能专注于语法主干有的头可能专注于修饰成分有的头可能专注于否定词的影响。最终W_O层会学习如何将这些不同视角的信息有机地融合成一个统一的、信息更丰富的表示。这就像一个团队开会每个人从不同角度分析一个问题最后由组长汇总大家的意见做出决策。多头就是Transformer的“智囊团”。6.3 实操从单头到多头的代码演进将我们之前的手写单头注意力升级为多头只需要几行代码的改动。核心是理解张量的形状变化# 假设我们想要8个头 num_heads 8 d_model 4 d_k d_v d_model // num_heads # 每个头的维度4//80.5? 不对 # 这里暴露了一个关键点d_model必须能被num_heads整除。 # 所以为了演示我们把d_model设为8num_heads设为2 d_model 8 num_heads 2 d_k d_v d_model // num_heads # d_k 4 # 重新定义嵌入和线性层 embedding_matrix nn.Embedding(len(vocab), d_model) X embedding_matrix(indices) # shape: (3, 8) # 为每个头定义独立的线性层 # W_Q, W_K, W_V 现在是 d_model x (num_heads * d_k) 的矩阵 # 这样一次线性变换就能得到所有头的Q/K/V W_Q nn.Linear(d_model, num_heads * d_k, biasFalse) W_K nn.Linear(d_model, num_heads * d_k, biasFalse) W_V nn.Linear(d_model, num_heads * d_v, biasFalse) W_O nn.Linear(num_heads * d_v, d_model, biasFalse) # 计算所有头的Q/K/V Q W_Q(X).view(X.size(0), num_heads, d_k) # shape: (3, 2, 4) K W_K(X).view(X.size(0), num_heads, d_k) # shape: (3, 2, 4) V W_V(X).view(X.size(0), num_heads, d_v) # shape: (3, 2, 4) # 注意现在Q, K, V的shape是 (seq_len, num_heads, d_k) # 为了计算 Q K.T我们需要把num_heads移到batch维度 Q Q.transpose(0, 1) # shape: (2, 3, 4) K K.transpose(0, 1) # shape: (2, 3, 4) V V.transpose(0, 1) # shape: (2, 3, 4) # 现在我们可以对每个头独立计算 scores torch.matmul(Q, K.transpose(-2, -1)) # shape: (2, 3, 3) scaled_scores scores / torch.sqrt(torch.tensor(d_k, dtypetorch.float32)) weights F.softmax(scaled_scores, dim-1) # shape: (2, 3, 3) output_per_head torch.matmul(weights, V) # shape: (2, 3, 4) # 把所有头的输出拼接回来 output_per_head output_per_head.transpose(0, 1) # shape: (3, 2, 4) output output_per_head.reshape(X.size(0), -1) # shape: (3, 8) # 最后用W_O投影 final_output W_O(output) # shape: (3, 8)这段代码展示了多头注意力的核心张量操作。最关键的变化是.view()和