【DataWhale】快乐学习大模型 | 202507，Task03笔记

注意力机制的三个核心变量：查询值 Query，键值 Key 和 真值 Value，这篇笔记将拆解教程中的公式，进行详细解释

1.计算词向量的相似性-公式拆解

这里用到的是点积，如何理解用点积去计算向量的相似性呢？
首先是计算方式，点积的计算方式是把两个向量对应维度的值相乘，然后把所有乘积加起来。

• 如果两个向量在某个维度上都有大的正值，那么它们的乘积会很大且为正，对总和贡献大。
• 如果一个向量在某个维度是正值，另一个是负值，那么乘积是负的，会减小总和。
• 如果一个或两个向量在某个维度是零，那么该维度的乘积是零，没有贡献。

在词向量中的直观理解：假设词向量的每个维度代表词语的某种潜在语义特征。如果两个词向量的点积很大且为正，这通常意味着它们在许多相同的语义特征上都有相似的“强度”。
负的点积表示两个词语在某些语义特征上是“对立”的。在标准的词向量模型中，这种情况相对较少，因为词向量通常编码的是相似性而非反义。

计算Query和每一个键的相似程度
这里教程中用到的一个公式是：

其中K展开如下图公式：

这里是做的一个矩阵乘法，得到的 x 即反映了 Query 和每一个 Key 的相似程度

再通过softmax对 得到的x进行处理，就可以得到总和为1的权重。（Softmax 函数通常用于将一个任意实数向量的元素“压缩”到 (0,1) 区间内，并且使所有元素的和为 1。这使得它非常适合表示概率分布，这里就不赘述了）

Query (q) 向量与 Key (K) 矩阵的转置 K^T 相乘 qK^T。这个乘积的结果是一个向量，它的每个元素代表 Query 与一个 Key 的点积相似度。
例如，如果 q 是 fruit 的向量，K 包含 apple, banana, chair 的向量，那么 qK^T 得到的就是 [fruit·apple, fruit·banana, fruit·chair]。这些值越大，表示 Query 与对应的 Key 越相似。
将得到的注意力分数和值向量做对应乘得到注意力机制的基本公式：

这里进一步拆解3个值

1. Query (Q) 向量： 它代表了“我正在寻找什么信息？”或者“我的关注点是什么？”
2. Key (K) 向量： 它代表了“我有什么信息可以被查找？”或者“我的特征是什么？”
3. Value (V) 向量： 它代表了“如果我被选中，我能提供什么具体内容？”或者“我的实际信息载体是什么？”
   所以我们在得到注意力分数即softmax(QK^T)后还需要和值向量V相乘。
   进一步延申，将多个 Query 对应的词向量堆叠在一起形成矩阵 Q，得到公式：
   
   最后为了在反向传播中计算梯度的方便，为了将点积的方差稳定在 1 左右，上面的式子还需要除以一个值，旨在解决高维向量点积值过大导致 Softmax 梯度不稳定的问题，使训练过程更稳定。
   
   这一部分我查了一下大模型的解释：
   

2.自注意力机制

注意力机制的本质是对两段序列的元素依次进行相似度计算，寻找出一个序列的每个元素对另一个序列的每个元素的相关度，然后基于相关度进行加权，即分配注意力。
注意力机制实现代码：

'''注意力计算函数'''
def attention(query, key, value, dropout=None):'''args:query: 查询值矩阵key: 键值矩阵value: 真值矩阵'''
# 后面的省略

而自注意力机制则是是一种高度抽象的表示，它想表达的是：自注意力机制的 Q、K、V 都源于同一个输入 x，如下：

# attention 为上文定义的注意力计算函数
attention(x, x, x)

“拟合输入语句中每一个 token 对其他所有 token 的关系”。这是自注意力最强大的能力之一。它让模型能够理解一个词在句子中与前面或后面的词的关联性，捕捉长距离依赖，并为每个词建立一个富含上下文信息的表示。
句子“他喜欢吃苹果。”，当模型处理“苹果”这个词时：

• “苹果”作为 Query，去和“他”、“喜欢”、“吃”、“苹果”这些词作为 Key 进行匹配。
• 它可能会发现“吃”与“苹果”的相似度很高（因为“吃”通常后面接食物）。
• 然后，它会根据这些相似度（注意力权重），加权聚合“他”、“喜欢”、“吃”、“苹果”各自的 Value 向量。最终，“苹果”的输出表示就包含了“吃”的信息，因为模型“关注”到了“吃”这个词。

3. 掩码自注意力

# 创建一个上三角矩阵，用于遮蔽未来信息。
# 先通过 full 函数创建一个 1 * seq_len * seq_len 的矩阵
mask = torch.full((1, args.max_seq_len, args.max_seq_len), float("-inf"))
# triu 函数的功能是创建一个上三角矩阵
mask = torch.triu(mask, diagonal=1)

通过上面的代码可以生成下面的矩阵（假设输入是I like you）

mask = [[0, -inf, -inf],[0,  0,  -inf],[0,  0,   0]]

将计算得到的注意力分数与这个掩码做和，再进行 Softmax 操作：

# 此处的 scores 为计算得到的注意力分数，mask 为上文生成的掩码矩阵
scores = scores + mask[:, :seqlen, :seqlen]
scores = F.softmax(scores.float(), dim=-1).type_as(xq)

即masked_scores = scores + mask
得到这样一个矩阵，再做 Softmax 操作。
这个加法操作的目的是为了在 Softmax 之前，将模型不应该“看到”的未来位置的注意力分数置为负无穷，从而确保 Softmax 之后这些位置的注意力权重变为 0，达到遮蔽未来信息的目的。
最后总结：
掩码自注意力是 Transformer 解码器的核心，它巧妙地结合了自注意力机制和掩码技术：

• 并行计算： 整个序列可以一次性输入模型进行计算，提高了效率。
• 遵守时间顺序： 通过在注意力分数上应用上三角掩码，确保每个位置的词在计算其表示时，只能“看到”和“利用”它之前（包括它自己）的信息，而无法“偷看”未来的信息。
• 防止信息泄露： 保证了模型在生成文本时，严格按照从左到右、逐词预测的语言模型任务要求进行。