一、cross attention和self-attention的不同
Cross attention
和self-attention
是在自然语言处理中常用的两种注意力机制。
Self-attention
是一种自我关注机制,用于计算输入序列中每个元素与其他元素的关联程度。具体来说,对于给定的输入序列,self-attention机制将每个元素与序列中的所有元素计算关联度,并根据关联度对序列中的每个元素进行加权求和。这种机制使模型能够捕捉到输入序列中不同元素之间的关系,从而更好地理解输入的上下文信息。
而Cross attention
是在两个不同的输入序列之间计算关联度和加权求和的机制。具体来说,给定两个输入序列,cross attention
机制将一个序列中的每个元素与另一个序列中的所有元素计算关联度,并根据关联度对两个序列中的每个元素进行加权求和。这样的机制使模型能够建立不同序列之间的关联关系,并将两个序列的信息融合起来。
因此,self-attention
和cross attention
的主要区别在于计算关联度和加权求和的对象不同。self-attention
用于单一输入序列,用于捕捉序列内元素之间的关系;而cross attention
用于两个不同输入序列之间,用于建立不同序列之间的关联关系。
二、代码实现
这个代码实现了一个简单的交叉注意力模块,它接受两个输入x1和x2,并计算它们之间的交叉注意力。在forward方法中,我们首先通过线性变换将输入进行映射,然后计算注意力权重,最后使用注意力权重加权求和得到输出结果。注意力权重使用softmax函数进行归一化处理。
python
import torch
import torch.nn as nn
class CrossAttention(nn.Module):
def __init__(self, hidden_dim):
super(CrossAttention, self).__init__()
self.linear_q = nn.Linear(hidden_dim, hidden_dim, bias=False)
self.linear_k = nn.Linear(hidden_dim, hidden_dim, bias=False)
self.linear_v = nn.Linear(hidden_dim, hidden_dim, bias=False)
self.softmax = nn.Softmax(dim=-1)
self.linear_out = nn.Linear(hidden_dim, hidden_dim, bias=False)
def forward(self, x1, x2):
q = self.linear_q(x1) # query
k = self.linear_k(x2) # key
v = self.linear_v(x2) # value
# 计算注意力权重
attn_weights = torch.matmul(q, k.transpose(-2, -1))
attn_weights = self.softmax(attn_weights)
# 使用注意力权重加权求和
attn_output = torch.matmul(attn_weights, v)
# 输出结果
output = self.linear_out(attn_output)
return output
# 示例输入
x1 = torch.tensor([[1, 2, 3], [4, 5, 6]], dtype=torch.float32)
x2 = torch.tensor([[7, 8, 9], [10, 11, 12]], dtype=torch.float32)
# 创建交叉注意力模型
cross_attention = CrossAttention(hidden_dim=3)
# 前向传播计算结果
output = cross_attention(x1, x2)
print(output)