1.注意力机制（Attention）

1.1 自注意力机制 （Self-Attention）

为了处理序列数据，自注意力采取的策略是，吃一整个序列，再根据输入的向量（一段序列）决定输出一个向量，再进入传统的FC，换言之，是考虑了整个序列之后输出一个结果。Self-Attention也可以与FC交替做很多次：

那Self-Attention如何运作？

Self-Attention块的输入可以是一开始的输入层，也可以是中间的某个hidden layer的输出。考虑了所有的输入，输出与输入长度相等的一系列向量。例如b1b^1考虑了a1,…,a4a^1, \dots , a^4。

以上图为例，怎么产生b1b^1这个输出呢？

有两种方法，其中Method 1是如今Transformer架构中用到的，也是注意力机制的主流架构，通过点积计算两向量的关联度。

应用中，把一个向量当作query（问询值），其余的所有当作key（键），进行关联度计算，得到Attention Score，再经过Softmax层进行归一化，得到最终的attention-score矩阵。（其实也不一定要softmax，只是前人试出来的）

根据Attention score, 再将每一个向量乘上矩阵Wv\bold{W^v}得到vi\bold{v^i}，b1=∑iα1,i′vi\boldsymbol{b^{1}}=\sum_i\alpha_{1,i}^{\prime}\boldsymbol{v^{i}}

看起来，每一个向量都要产生一个q,k,v\bold{q}, \bold{k}, \bold{v}, 那么我们完全可以用矩阵拼接的想法，将一连串的输入向量看作一个大矩阵I\bold{I}, 像下面这样简记为：

得到Q，K，V，如何去得到attention score呢？像下面展示的一样，A(attention score的信息矩阵)=KTQK^TQ

整个的Self-Attention运作的过程中，唯一需要学的三个参数就是Wq,Wk,WvW^q, W^k, W^v

在此基础上，对原始Attention架构更改，得到Multihead Self-Attention：

1.2 Self-Attention的不足之处