http://zh.d2l.ai/chapter_attention-mechanisms/multihead-attention.html
代码里不同注意力头的 W_q, W_k, W_v 似乎是一样的，注意力机制用的也是同一个，那么每个注意力头产生的输出应该也是一样的，是不是有问题啊？
1 Like
我也认为有问题。这是单头注意力机制。英文版的讨论里认为这是一个巨大的单头注意力（多个头的参数concat到一起变成一个单头），然后并行计算（相当于多头）。这里的代码实在应该再优化一下。
这里的确有点难懂, 这里其实是把所有注意力头里面的参数拼起来, 变成了一个大的全连接层
2 Likes
这张图梳理的维度变换过程很清楚，感谢。这节的代码注释里要是有这些维度变换信息就好懂多了。
1 Like
每个注意力头的这三个W都是不一样的，所以公式里的W有下标编号i。只是代码实现里的self.W_xx是把全部注意力头拼接到一起的，如果分开看的话实际上是num_heads个头，每个头的输出维度是num_hiddens/num_heads，拼接到一起就是num_hiddens的维度。
3 Likes
太优秀了！这张图确实恨清楚，配合代码看，一下就理解了
研究了半天，谈谈我的理解：
一开始query的shape是(2,4,100)，应该是(2,4,20)复制了5份然后拼在一起的，实际每个batch的query的shape就是(2,4,20)；
num_hiddens=100其实也是将5个head的全连接层放到一起初始化了；
transpose_qkv做的事情其实是将拼在一起的query拆开，每个query的shape是变成(4,20)，然后将2个5头query共10个query摊开一起算，所以最后送到attention的shape是(10,4,20)
不知道这样理解对不对，最后附上我研究transpose_qkv的草稿:
2 Likes
这边多头注意力在transpose_qkv那边做的交换维度的操作主要目的是将计算中可并行的多个head“化作batch_size”和batch_size那个维度放在一起，使输入attention的维度变成(batch_sizehead，num_of_QKV,num_of_hiddens)，放入d2l.DotProductAttention(dropout)（缩放点积注意力的实现）中去计算。点积注意力计算过程中是没有参数需要学习，所以可以将多个head需要做的计算当作数量为head的多个batch拆出来和原来的beath拼在一起计算，使得batch数量从原batch_size->batch_sizehead
1 Like
这句话该怎么理解，把queries，keys，values拆成(batch_size*num_heads,查询或者“键－值”对的个数,
# num_hiddens/num_heads)后做点积，最后还原得到(batch_size，查询的个数，num_hiddens)。这样和不拆，直接queries，keys，values(batch_size，查询或者“键－值”对的个数，num_hiddens)做点积，也能得到(batch_size，查询的个数，num_hiddens)，这两个结果的区别在哪，“不同的子空间”怎么理解？
请问这里的batch_size 和num_queries的区别是什么 batch_size不应该是代表了一个batch里面查询的数目吗？
个人感觉想在点积注意力的条件下实现h个并行计算只要满足pq=pk就行了，为何要满足等于其他的呢？设置全连接层的时候只要让n=h*pq就行了呀
赞成你的想法，应该是query_size，估计是写错了
可以结合卷积神经网络里的多通道来理解。拆开后把拆开的部分放入注意力机制，然后通过训练参数W_o，以识别不同的模式，达到多通道的效果。
我也不知道理解得对不对，可以去参考一下沐神讲transformer论文的那个视频～
amazing!!神图啊，感觉图片画的很清楚