一、注意力机制基本原理

1. 动机
   传统的 RNN/CNN 在处理长序列时，容易出现“信息遗忘”或“长依赖难以捕捉”的问题。注意力机制通过“动态加权”——在不同位置分配不同“关注度”（权重）——让模型在解码或特征聚合时，将更多注意力放在最相关的输入上，从而：

   • 缓解长距离依赖
   • 提升对关键信息的捕获能力
   • 增强可解释性：权重分布可视化后，可以直观看到模型聚焦的位置

2. 核心思想
   给定一组“值”$V$和与之对应的“键”$K$，对于每个“查询”$Q$，计算它与所有键的相似度分数（Score），再对这些分数做 Softmax，得到权重向量；最后以权重为系数，对值向量做加权求和，得到注意力输出：
   $$\mathrm{Attention}(Q,K,V)=\mathrm{softmax}\left(\frac{Q{K}^{\top }}{\sqrt{d_k}}\right)V$$
   其中，$\sqrt{d_k}$ 是缩放因子，用以控制内积数值量级，确保权重是单位方差的，保持 Softmax 梯度稳定。

二、Query、Key、Value 定义与工作流程

1. 投影（Projection）
   通常先用三组线性变换，将同一样本输入 $\mathbf{X}$ 映射到三个子空间：
   $$Q=X{W}^Q,K=X{W}^K,V=X{W}^V$$
   其中 (W^Q,WK\in\mathbb{R}^{d_{\text{model}}\times d_k})，(W^{V\in\mathbb{R}}{d_{\text{model}}\times d_v})。

2. 计算相似度（Score）
   $$\mathrm{Score}(Q_i,K_j)=Q_i\cdot K_j(i=1\dots L_q,j=1\dots L_k)$$
   得到一个 $(L_q\times L_k)$ 的打分矩阵。

3. 缩放与归一化
   $$\widetilde{\mathrm{Score}}=\frac{\mathrm{Score}}{\sqrt{d_k}},A=\mathrm{softmax}\left(\widetilde{\mathrm{Score}}\right)(\text{沿 }K\text{ 维度})$$
   使得打分数值不至于过大或过小，保持梯度有效。

4. 加权求和输出
   $$\mathrm{Attention}(Q,K,V)=AV,y_i=\sum _{j=1}^{L_k}{A}_{ij}{V}_j$$
   最终输出与 Query 个数相同，每个 $y_i$ 都融合了所有 Value，重点突出了与 $Q_i$ 相关的部分。

三、缩放点乘注意力的数学公式

设单个 Query 向量维度为 $d_k$，则整批计算可写为矩阵形式：
$$\mathrm{Attention}(Q,K,V)=\mathrm{softmax}\left(\frac{Q{K}^{\top }}{\sqrt{d_k}}\right)V,$$

• $Q\in {\mathbb{R}}^{B\times L_q\times d_k}$
• $K\in {\mathbb{R}}^{B\times L_k\times d_k}$
• $V\in {\mathbb{R}}^{B\times L_k\times d_v}$
• 输出为 ${\mathbb{R}}^{B\times L_q\times d_v}$

四、PyTorch 实现示例

下面给出一个简洁版的「缩放点乘注意力」函数，以及如何在多头注意力（Multi‑Head Attention）中使用它。

import torch
import torch.nn as nn
import torch.nn.functional as F
import math

def scaled_dot_product_attention(q, k, v, mask=None):
    """
    q, k, v: 张量形状均为 (B, num_heads, L, d_k)
    mask: 可选张量，形状 (B, 1, L_q, L_k)，用于屏蔽不可关注位置
    """
    d_k = q.size(-1)
    # 1. 计算未缩放打分
    scores = torch.matmul(q, k.transpose(-2, -1))  # -> (B, heads, L_q, L_k)
    # 2. 缩放
    scores = scores / math.sqrt(d_k)
    # 3. 可选屏蔽
    if mask is not None:
        scores = scores.masked_fill(mask == 0, float('-inf'))
    # 4. 归一化
    attn = F.softmax(scores, dim=-1)               # -> (B, heads, L_q, L_k)
    # 5. 加权求和
    output = torch.matmul(attn, v)                 # -> (B, heads, L_q, d_k)
    return output, attn

class MultiHeadAttention(nn.Module):
    def __init__(self, d_model, num_heads):
        super().__init__()
        assert d_model % num_heads == 0
        self.d_k = d_model // num_heads
        self.num_heads = num_heads

        self.w_q = nn.Linear(d_model, d_model)
        self.w_k = nn.Linear(d_model, d_model)
        self.w_v = nn.Linear(d_model, d_model)
        self.w_o = nn.Linear(d_model, d_model)

    def forward(self, x, mask=None):
        B, L, _ = x.size()
        # 1. 线性映射并切分多头
        q = self.w_q(x).view(B, L, self.num_heads, self.d_k).transpose(1,2)
        k = self.w_k(x).view(B, L, self.num_heads, self.d_k).transpose(1,2)
        v = self.w_v(x).view(B, L, self.num_heads, self.d_k).transpose(1,2)
        # q,k,v: (B, heads, L, d_k)

        # 2. 点乘注意力
        attn_output, attn_weights = scaled_dot_product_attention(q, k, v, mask)
        # attn_output: (B, heads, L, d_k)

        # 3. 合并多头
        attn_output = attn_output.transpose(1,2).contiguous().view(B, L, -1)
        # 4. 最后一层线性
        output = self.w_o(attn_output)  # (B, L, d_model)
        return output, attn_weights