多头注意力机制(Multi-head Attention)的演进历程与核心原理解析

1次阅读

共计 2419 个字符，预计需要花费 7 分钟才能阅读完成。

在深度学习中，处理序列数据一直是一个核心问题。传统的 RNN 和 CNN 在处理长序列时存在明显的局限性：

RNN 的缺陷：虽然 RNN 可以处理变长序列，但它的计算是顺序进行的，难以并行化。更重要的是，RNN 存在梯度消失 / 爆炸问题，导致难以学习长距离依赖关系。
CNN 的局限：CNN 虽然可以并行计算，但需要多层堆叠才能捕获长距离依赖，这导致计算效率低下。

2017 年，Vaswani 等人在《Attention Is All You Need》论文中提出了 Transformer 架构，彻底改变了这一局面。其中，多头注意力机制 (Multi-head Attention) 作为核心组件，通过并行计算多个注意力头，显著提升了模型对长距离依赖关系的捕捉能力。

多头注意力机制的核心思想是将输入的查询 (Q)、键(K) 和值 (V) 矩阵拆分成多个头，每个头独立计算注意力，最后将结果合并。这种设计有两大优势：

并行计算：多个头可以同时计算，提高计算效率
多样化表示：不同头可以学习不同的注意力模式

给定输入矩阵 Q、K、V，首先将它们线性投影到 h 个不同的子空间：

Q_i = QW_i^Q
K_i = KW_i^K
V_i = VW_i^V

然后计算每个头的注意力：

head_i = softmax(Q_iK_i^T/√d_k)V_i

最后将所有头的输出拼接起来：

MultiHead(Q,K,V) = Concat(head_1,...,head_h)W^O

实验表明，头数并非越多越好。通常 8 个头在大多数任务中表现良好，但具体最佳头数取决于：

输入序列长度
模型隐藏层维度
具体任务特性

下面是一个用 PyTorch 实现的多头注意力层：

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

class MultiHeadAttention(nn.Module):
    def __init__(self, d_model, num_heads):
        super().__init__()
        self.d_model = d_model
        self.num_heads = num_heads
        self.head_dim = d_model // num_heads

        # 线性变换矩阵
        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, q, k, v, mask=None):
        batch_size = q.size(0)

        # 线性变换并分割成多个头 [batch_size, seq_len, d_model] -> [batch_size, num_heads, seq_len, head_dim]
        Q = self.W_q(q).view(batch_size, -1, self.num_heads, self.head_dim).transpose(1, 2)
        K = self.W_k(k).view(batch_size, -1, self.num_heads, self.head_dim).transpose(1, 2)
        V = self.W_v(v).view(batch_size, -1, self.num_heads, self.head_dim).transpose(1, 2)

        # 计算注意力分数 [batch_size, num_heads, seq_len, seq_len]
        scores = torch.matmul(Q, K.transpose(-2, -1)) / torch.sqrt(torch.tensor(self.head_dim, dtype=torch.float32))

        # 应用 mask(用于 decoder)
        if mask is not None:
            scores = scores.masked_fill(mask == 0, -1e9)

        # 计算注意力权重
        attention = F.softmax(scores, dim=-1)

        # 应用注意力到 V 上
        output = torch.matmul(attention, V)  # [batch_size, num_heads, seq_len, head_dim]

        # 拼接所有头的结果
        output = output.transpose(1, 2).contiguous().view(batch_size, -1, self.d_model)

        # 最后线性变换
        output = self.W_o(output)

        return output