Temario Lección 141 de 246 · Módulo 13: Atención y transformers
Módulo 13: Atención y transformers

La atención es una búsqueda suave

Por qué importa La atención es la única idea nueva de un transformer. Todo lo demás ya lo conoces. Es una búsqueda en un diccionario que, en vez de elegir una entrada, las mezcla todas.

Míralo

Reproduce la animación. Un diccionario de Python busca una clave exacta y devuelve un valor. La atención tiene una consulta q, una lista de claves y una lista de valores. Puntúa la consulta contra cada clave con un producto escalar, convierte las puntuaciones en pesos con softmax (positivos, que suman 1) y devuelve la media ponderada de los valores.

weights = softmax(K @ q)
output  = weights @ V

Números diminutos

q = [1, 0]. Las claves [2, 0], [0, 2], [0, 0] dan las puntuaciones 2, 0, 0. Softmax: e^2 = 7.39 y 1 y 1, así que los pesos son 0.79, 0.11, 0.11. Con los valores 10, 20, 30 la salida es 0.79 por 10 + 0.11 por 20 + 0.11 por 30 = 13.2: sobre todo el primer valor, y un poco de los demás.

Consulta, clave, valor: lo que busco; lo que ofrece cada elemento para que lo emparejen; lo que entrega cada elemento si lo emparejan.

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 attend(q, K, V) para una consulta: devuelve (weights, output).

¿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.