深度学习理论基础（六）Transformer多头自注意力机制

学习目录：

深度学习理论基础（一）Python及Torch基础篇
深度学习理论基础（二）深度神经网络DNN
深度学习理论基础（三）封装数据集及手写数字识别
深度学习理论基础（四）Parser命令行参数模块
深度学习理论基础（五）卷积神经网络CNN
深度学习理论基础（六）Transformer多头自注意力机制
深度学习理论基础（七）Transformer编码器和解码器

  
  深度学习中的注意力机制（Attention Mechanism）是一种模仿人类视觉和认知系统的方法，它允许神经网络在处理输入数据时集中注意力于相关的部分。通过引入注意力机制，神经网络能够自动地学习并选择性地关注输入中的重要信息，提高模型的性能和泛化能力。
  下图 展示了人类在看到一幅图像时如何高效分配有限注意力资源的，其中红色区域表明视觉系统更加关注的目标，从图中可以看出：人们会把注意力更多的投入到人的脸部。文本的标题以及文章的首句等位置。而注意力机制就是通过机器来找到这些重要的部分。

一、注意力机制

1. 缩放点积注意力（Scaled Dot-Product Attention）

  缩放点积注意力（Scaled Dot-Product Attention）是注意力机制的一种形式，通常在自注意力（self-attention）机制或多头注意力机制中使用，用于模型在处理序列数据时关注输入序列中不同位置的信息。这种注意力机制常用于Transformer模型及其变体中，被广泛用于各种自然语言处理任务，如机器翻译、文本生成和问答系统等。
  常规注意力机制中（k==v)。

● 计算公式

● 原理

假设输入：给定一个查询向量（query）、一组键向量（keys）和一组值向量（values）。

（1）Dot-Product 计算相似度：通过计算查询向量query与键向量keys之间的点积，得到每个查询与所有键的相似度分数。然后将这些分数进行缩放（scale）–除以根号下d_k,以防止点积的值过大，从而导致梯度消失或梯度爆炸。
（2）Mask 可选择性 目的是将 padding的部分 填充负无穷，这样算softmax的时候这里就attention为0，从而避免padding带来的影响.
（3）Softmax归一化：对相似度分数进行softmax归一化，得到每个键的权重，这些权重表示了对应值向量的重要程度。
加权求和：使用这些权重对值向量进行加权求和，得到最终的注意力输出。

●代码

def attention(q, k, v, d_k, mask=None, dropout=None):
    
    scores = torch.matmul(q, k.transpose(-2, -1)) /  math.sqrt(d_k)
    
    if mask is not None:
        mask = mask.unsqueeze(1)
        scores = scores.masked_fill(mask