赞
踩
注意力机制广泛存在于现在的深度学习网络结构中,使用得到能够提升模型的学习效果。本文讲使用Pytorch实现多头自注意力模块。
一个典型的自注意力模块由Q、K、V三个矩阵的运算组成,Q、K、V三个矩阵都由原特征矩阵变换而来,所以本质上来说是对自身的运算。
而多头注意力机制则是单头注意力机制的进化版,把每次attention运算分组(头)进行,能够从多个维度提炼特征信息。具体原理可以参看相关的科普文章,下面是Pytorch实现。
import torch.nn as nn class MHSA(nn.Module): def __init__(self, num_heads, dim): super().__init__() # Q, K, V 转换矩阵,这里假设输入和输出的特征维度相同 self.q = nn.Linear(dim, dim) self.k = nn.Linear(dim, dim) self.v = nn.Linear(dim, dim) self.num_heads = num_heads def forward(self, x): B, N, C = x.shape # 生成转换矩阵并分多头 q = self.q(x).reshape(B, N, self.num_heads, -1).permute(0, 2, 1, 3) k = self.k(x).reshape(B, N, self.num_heads, -1).permute(0, 2, 1, 3) v = self.k(x).reshape(B, N, self.num_heads, -1).permute(0, 2, 1, 3) # 点积得到attention score attn = q @ k.transpose(2, 3) * (x.shape[-1] ** -0.5) attn = attn.softmax(dim=-1) # 乘上attention score并输出 v = (attn @ v).permute(0, 2, 1, 3).reshape(B, N, C) return v
Copyright © 2003-2013 www.wpsshop.cn 版权所有,并保留所有权利。