从零构建大模型

作者：未知作者 笔记数：5 条

3.4 实现带可训练权重的自注意力机制

缩放点积注意力对比

设定d_k=16，缩放系数 \sqrt{d_k}=4 原始注意力分数：[8, 4, 2]

① 不缩放 [8, 4, 2] ↓ Softmax(·) ↓ [0.98, 0.02, 0.00]

• 分数过大
• Softmax 极度尖锐
• 几乎只关注第一个位置
• 梯度消失，难以训练

② 缩放（除以 √dₖ） [8, 4, 2] ↓ ÷ 4 ↓ [2, 1, 0.5] ↓ Softmax(·) ↓ [0.63, 0.23, 0.14]  

• 分数回到合理范围
• Softmax 分布平滑
• 能关注多个相关位置
• 梯度正常，训练稳定

查询类似于数据库中的搜索查询。它代表了模型当前关注或试图理解的项（比如句子中的一个单词或词元）

键类似于用于数据库索引和搜索的键。在注意力机制中，输入序列中的每个项（比如句子中的每个单词）都有一个对应的键。这些键用于与查询进行匹配。

Self Attention

相比手动实现nn.Parameter(torch.rand(…))，使用nn.Linear的一个重要优势是它提供了优化的权重初始化方案，从而有助于模型训练的稳定性和有效性