Transformer自注意力机制（Self-Attention）的工作原理

知识点图片

Transformer 的自注意力机制（Self-Attention）是现代自然语言处理（NLP）和大模型（如 GPT、BERT）的核心组件。它的主要作用是让模型在处理一个序列（比如一句话）时，能够关注序列中不同位置之间的关联，从而更好地理解上下文。

为了让你直观地理解，我们可以通过一个直观的例子、核心概念（Q、K、V）以及具体的计算步骤这三个层次来解析。

1. 直观理解：为什么要用自注意力？

想象一下这句话：

"The animal didn't cross the street because it was too tired."
（这就动物没有过马路，因为它太累了。）

当人类读到 "it"（它） 这个词时，我们很容易知道这里的 "it" 指的是 "animal"（动物） 而不是 "street"（马路）。

但在自注意力机制出现之前（例如早期的 RNN），机器很难处理这种长距离的指代关系。Self-Attention 的目的就是让机器在处理 "it" 这个词时，能够通过计算，发现 "animal" 对 "it" 的重要性最高，从而把这两个词关联起来。

2. 核心概念：Q、K、V 三剑客

Self-Attention 的核心在于将输入向量变成了三个不同的向量：Query（查询）、Key（键） 和 Value（值）。

这三个概念源自于信息检索（数据库查询）系统：

Query ( $Q$ )：你手里拿着的词（比如 "it"），它去询问其他词：“你们跟我有关系吗？”
Key ( $K$ )：其他词手里的标签（比如 "animal" 的标签），用来和 Query 进行匹配。
Value ( $V$ )：词原本包含的实际内容/信息。

比喻：
你去图书馆找书。

Query 是你的搜索意图（比如“量子力学”）。
Key 是书脊上的分类编号或书名（用来匹配你的意图）。
Value 是书里的具体内容。
当 Query 和 Key 匹配度很高时，你就把那本书的 Value 取出来阅读。

3. 工作原理：六个步骤

假设我们现在的输入是一句话中的两个单词 $x_1$ 和 $x_2$ 。

第一步：准备输入

将单词转换为词向量（Embedding）。

第二步：生成 Q、K、V

对于每个单词向量 $x$ ，分别乘以三个可学习的权重矩阵 $W^Q, W^K, W^V$ ，得到三个新向量： $q, k, v$ 。

$q_1 = x_1 \times W^Q$
$k_1 = x_1 \times W^K$
$v_1 = x_1 \times W^V$

第三步：计算注意力分数（Dot Product）

我们要计算单词 1 对单词 2 的关注度。
拿单词 1 的查询向量 $q_1$ 去点积（Dot Product）单词 2 的键向量 $k_2$ 。
$\text{Score} = q_1 \cdot k_2$

点积结果越大，表示两个词的相关性越高（越相似）。

第四步：缩放（Scaling）

将分数除以 $\sqrt{d_k}$ （ $d_k$ 是 Key 向量的维度）。

原因：防止点积结果过大，导致后续的 Softmax 梯度极小（梯度消失），利于训练稳定。

第五步：归一化（Softmax）

将得分通过 Softmax 函数处理，变成概率分布（所有分数加起来等于 1）。

这得出的就是注意力权重（Attention Weights）。比如处理 "it" 时，"animal" 的权重可能是 0.8，"street" 是 0.1，其他是 0.1。

第六步：加权求和（Weighted Sum）

将计算出的权重乘以对应的 Value 向量 ( $v$ )，然后求和。
$z_1 = \text{Weight}_1 \cdot v_1 + \text{Weight}_2 \cdot v_2 + \dots$

结果 $z_1$ 就是单词 1 经过 Self-Attention 处理后的新表示。 这个新向量不仅仅包含单词 1 自己的含义，还融合了上下文中与它相关的其他单词的信息。

4. 数学公式汇总

如果用矩阵形式（一次性处理所有单词）表示，这就是那条著名的公式：

$\text{Attention}(Q, K, V) = \text{softmax}\left(\frac{QK^T}{\sqrt{d_k}}\right)V$

$QK^T$ ：计算所有词两两之间的相似度分数。
$/\sqrt{d_k}$ ：缩放分数。
Softmax：归一化为概率。
$\times V$ ：根据概率提取信息。

5. 进阶：多头注意力（Multi-Head Attention）

Transformer 不仅仅做一个 Self-Attention，而是做多组。

原理：使用多组不同的 $W^Q, W^K, W^V$ 矩阵。
目的：让模型从不同的“视角”去理解句子。
- Head 1 可能关注语法结构（主谓宾关系）。
- Head 2 可能关注指代关系（it -> animal）。
- Head 3 可能关注时态或语气。
  最后将所有 Head 的结果拼接起来，通过一个线性层输出。

总结

Self-Attention 的本质是：
它允许序列中的每个元素都“看一眼”序列中的其他所有元素，计算彼此的相关性，并根据相关性的大小，聚合上下文信息来更新自己的表示。

它的优势：

并行计算：不像 RNN 需要按顺序一个词一个词读，Self-Attention 可以一次性计算所有词的关系，速度快。
长距离依赖：无论两个词在句子中距离多远，它们之间的计算距离都是 1（直接点积），解决了长文本记不住开头的问题。

播面