nn.MultiheadAttention

所谓Multi-Head Attention其实是把QKV的计算并行化

 我们先不考虑其并行化的 计算过程，只关注他的输入输出。

上面两个图，图一是对第 i 个词执行注意力机制的过程。

再看更直观的第二个， 其中每个词的q,k,v向量编码长度都为3，一共有2个词，所以矩阵都是2*3格式。z 即是两个词经过注意力机制后得到的新编码。

 nn.MultiheadAttention()的参数：

embed_dim:是每一个单词本来的词向量长度；
num_heads:是我们MultiheadAttention的head的数量。

forward()函数的输入参数：

query(L,N,E) L 指的是输出目标序列的长度，N 就是batch_size， E 就是每个单词的embedding 维度大小
key(S,N,E) S 指的是输入目标序列的长度（也就是max_seq_length），N 就是batch_size， E 就是每个单词的embedding 维度大小
value(S,N,E) ，S 指的是输入目标序列的长度，N 是 batch_size, E 是embedding的维度

输出：
attn_output(L,N,E)：即这些词的新编码

attn_output_weight（N,L,S)：即在计算过程中得到的权重矩阵 （上图中的权重矩阵大小为2*2）

值得注意的是，L，S不相同时，比如L=3，S=2，就代表着对这 3 个词计算新编码时，只考虑它们与 2 个词的关系。

使用示例：

import torch
import torch.nn as nn
lst=torch.Tensor([[1,2,3,4],
                [2,3,4,5],
                 [7,8,9,10]])
lst=lst.unsqueeze(1)
lst.shape
#torch.Size([3, 1, 4])
 
 
multi_atten=nn.MultiheadAttention(embed_dim=4,
                                  num_heads=2)
multi_atten(lst,lst,lst)
'''
(tensor([[[ 1.9639, -3.7282,  2.1215,  0.6630]],
 
         [[ 2.2423, -4.2444,  2.2466,  1.0711]],
 
         [[ 2.3823, -4.5058,  2.3015,  1.2964]]], grad_fn=<AddBackward0>),
 tensor([[[9.0335e-02, 1.2198e-01, 7.8769e-01],
          [2.6198e-02, 4.4854e-02, 9.2895e-01],
          [1.6031e-05, 9.4658e-05, 9.9989e-01]]], grad_fn=<DivBackward0>))
'''