Temario Lección 146 de 246 · Módulo 13: Atención y transformers
Módulo 13: Atención y transformers

Hacia atrás por la atención

Por qué importa Todas las librerías te lo calculan, pero son solo cuatro pasos que ya conoces. Derivarlo una vez es lo que convierte la atención en una capa que entiendes, no en una caja que llamas.

Hacia delante, para una secuencia X (t posiciones por d): Q = X Wq, K = X Wk, V = X Wv, S = Q KT / sqrt(d), A = softmax(S) fila a fila, out = A V. Hacia atrás se recorren los mismos pasos al revés, dado G = dL/d(out):

  1. out = A V es una multiplicación de matrices (la regla de las formas del Módulo 2): dA = G VT y dV = AT G.
  2. A = softmax(S), fila a fila (el gradiente del softmax del Módulo 2): dS = A * (dA - (dA * A).sum(-1, keepdims=True)).
  3. S = Q KT / sqrt(d): dQ = dS K / sqrt(d) y dK = dST Q / sqrt(d).
  4. Q = X Wq (y lo mismo para K y V): dWq = XT dQ, dWk = XT dK, dWv = XT dV.

Aquí d es la anchura de las consultas y las claves (el número de columnas de Wq). No aparece ninguna regla nueva en ningún sitio: el paso hacia atrás de la atención son dos multiplicaciones de matrices y un softmax, recorridos al revés.

Resumen Deshaz los pasos en orden inverso, cada uno con la regla que ya tienes.

Palabras y símbolos de esta lección
consulta, clave, valor
lo que busca una posición; lo que ofrece cada posición para emparejarse; lo que entrega
atención
softmax de las puntuaciones consulta-clave, usado para promediar los valores
Tu turno

Escribe attention_backward(X, Wq, Wk, Wv, G) que devuelva (dWq, dWk, dWv) para out = softmax(Q KT / sqrt(d)) V sin máscara. La prueba oculta comprueba cada entrada contra pequeños empujones.

¿Has visto un problema en esta lección? Avísanos · Preguntar sobre esta lección

Este ejercicio se abre pronto

Termina la lección anterior y esta se desbloquea. Todo el curso es gratis, no hace falta cuenta, y puedes leer esta lección ahora mismo.