Lehrplan Lektion 147 von 246 · Modul 13: Attention und Transformers
Modul 13: Attention und Transformers

Viele Köpfe, gleiche Kosten

Warum das wichtig ist Ein Attention-Muster pro Layer ist einschränkend: eine Position möchte vielleicht das vorherige Zeichen und gleichzeitig den Anfang des Wortes betrachten. Multi-head attention führt mehrere kleinere Attentions nebeneinander aus.

Sieh es dir an

Spiele die Animation ab. Teile die d Spalten von Q, K und V in H Gruppen von d / H auf. Jede Gruppe (a head) führt ihre eigene attention mit ihrem eigenen Muster aus. Füge die H Ausgaben wieder nebeneinander zu d Spalten zusammen, dann mische sie mit einer weiteren Matrix Wo.

Die Kosten: dieselben Matrizen wie ein großer Kopf, nur in Stücke geschnitten, sodass sich die Anzahl der Parameter nicht ändert. Jeder Kopf ist schmaler, also teilt er durch die Quadratwurzel von d / H.

Wörter und Symbole in dieser Lektion
attention
softmax der query-key scores, verwendet um die Werte zu mitteln
head
one von H schmaleren Aufmerksamkeiten laufen nebeneinander, jede mit ihrem eigenen Muster
Du bist dran

Schreibe multi_head(X, Wq, Wk, Wv, Wo, H) (keine Maske), gib die Ausgabe und eine Liste von H Attention-Matrizen zurück.

Ein Problem in dieser Lektion entdeckt? Melde es · Frage zu dieser Lektion

Diese Übung öffnet bald

Beende die vorherige Lektion, damit diese freigeschaltet wird. Der ganze Kurs ist kostenlos, kein Konto erforderlich, und du kannst diese Lektion jetzt direkt lesen.