简单理解Transformer注意力机制
这篇文章是对《动手深度学习》注意力机制部分的简单理解。
生物学中的注意力
生物学上的注意力有两种，一种是无意识的，零一种是有意识的。如下图1，由于红色的杯子比较突出，因此注意力不由自主指向了它。如下图2，由于有意识的线索是想要读书，即使红色杯子比较突出，注意力依旧指向了书籍。
图一
图二
卷积层、全连接层、池化层就好像无意识的注意力，总是指向突出的特征；注意力机制有区别于此，它包含了有意识的注意力。
在注意力的背景下，有意识线索（想读书）被称为Query，无意识线索（杯子、书等）被称为Key，感官的输入(视觉接收到的无意识线索)称为Value，我们的目标是，通过有意识线索（Query)的引导，将注意力放到权重较大的输入（Value)上。
点积注意力
为什么相似度能衡量权重大小？直观来讲，我们在预测一个结果时，通过尽可能的了解与我们相似的人或事情，便对结果有了大致把握。想读书和书的相似度要比和水杯的高，因此注意力引导在书本而不是水杯。
至于为什么除以根号d？可以参考下面的解释。
图三
最后将得到的权重矩阵B与输入V点积，其结果为n×v维的矩阵，即每个查询通过权重矩阵B对输入V进行加权平均，得到预测的结果。这种加权平均，可以看作一种对输入信息的过滤或者是对输入信息的聚合。对，同池化层的作用，注意力机制可以看作一种带有意识线索的、有权重的池化层，它不会像最大池化层只留下明显的特征，也不会像平均池化层一视同仁的处理，而是根据查询，有轻重的保留特征。
目前为止，经过感性与理性的认识，应该大致清楚QKV各含义，李沐老师在视频里将了另一个更直观的例子帮助理解。
假设有一个人想要了解自己到新公司的薪资（Query), 他可以先了解在公司中其它人的情况(Key)，其中与他具有相似技术、学历等特征的人权重当然比较大，反之则会小，那么通过对这些人的薪资（Value)做加权平均，可以估计得到我们想要（Query)的薪资(Value)。
点积自注意力
一般来说，Query，Key，Value 可以不相同，即使Key和Value相同是容易理解的。比如，上面的例子，Value仅指薪资，或者Value与key相同，薪资作为Key的一个属性，这都不妨碍得到想要的结果。但在Transformer的自注意力中，QKV均相同，Query是输入的tokens，Value也是输入的tokens，计算相似度矩阵也是在输入的tokens之间。因此，注意力计算的结果使得每个token融合了其它tokens的信息，实现全局信息交互，当然更多的是自己的信息。
多头自注意力
普遍认为的是，多头意味着有多组自注意力，多组QKV参数，多组参数学习token不同的特征部分，使得学习具有多样性，从而均衡一组QKV可能产生的偏差，当然多头自注意力也使得每组参数空间变小。
也有工作[2]认为，多层单头和多头都可以学习到不同子空间特征，但是多头训练更具有稳定性。如24层16头transformer(BERT-large)和384层单头transformer的总注意头数相同，模型尺寸大致相同，但是多头自注意力使得网络层数更浅，有利于训练。
参考
注意力机制 — 动手学深度学习 2.0.0 documentation (d2l.ai)
[2106.09650] Multi-head or Single-head? An Empirical Comparison for Transformer Training (arxiv.org)
简单理解注意力机制 - 知乎 (zhihu.com)
推荐文章
《Attention is All You Need》浅读（简介+代码） - 科学空间|Scientific Spaces (kexue.fm)