面试常问系列(二)-神经网络参数初始化之自注意力机制

（一）、transformer中的自注意力机制为什么要除以根号d？

[1. 点积的方差问题](#1. 点积的方差问题)

[2. 缩放的作用](#2. 缩放的作用)

[3. 类比初始化方法](#3. 类比初始化方法)

[4. 实验验证](#4. 实验验证)

5.总结

（一）、transformer中的自注意力机制为什么要除以根号d？

在Transformer的自注意力机制中，除以根号维度（即，其中是键向量的维度）的核心目的是为了稳定梯度，避免点积结果因维度增大而爆炸。以下是详细解释：

1. 点积的方差问题

假设：查询向量（Q）和键向量（K）的每个分量独立且服从均值为0、方差为1的分布。
点积计算 ：的结果是个独立分量的和(因为维度是d的点积，所以就是q1*k1+...+qn*kn)。根据独立变量的方差叠加性质，点积的方差为，标准差为。
问题：当较大时（如512或1024），点积结果可能分布在到的宽区间内。若直接输入Softmax，其梯度会因输入值过大而趋近于0（梯度饱和），导致训练困难。
- 这里我在赘述一下
  - 随着d的增大，点积的范围可能变大，举例子
    - d=10，点击范围可能[-10,10]波动
    - d=1000，点击范围可能[-30,30]波动，甚至更高。
    - 讲到这里肯定有人好奇，这个为什么呢？除了直观上的加和项变多，该怎么理解呢？
      - 首选可以参考我上面的文章面试常问系列(一)-神经网络参数初始化-CSDN博客，会更好理解，下面我简单说一下。
      - 这个的方差就是上面说的，d个独立分量的和
      - 上面的公式是核心，不理解的可以再去看一下我的链接。这也就是说，新的标准差范围取决于维度个数！！！
- 还有什么问题呢？
  - 1>**数值不稳定:**softmax的公式分子是e的x次幂，分母是求和,如果包含大树，e的指数运算会直接溢出。如果x = [1000,10,10]，则1000就直接溢出了。
  - 2>权重分布退化: softmax的公式分子是e的x次幂，分母是求和，如果包含大数，比如，x = [100,10,10] 那么softmax之后的值为
    复制代码
```
[1.0, 8.194012623990515e-40, 8.194012623990515e-40]这个结果应该比较直观了，某个权重接近1，其他权重接近0，注意力机制，将会只关注极个别特征，变成hard模式，而没有那么soft！
```
  - 3>训练困难 ：在初始化阶段，过大的点积使 Softmax 输出极端化（接近0或1），梯度趋于零，导致梯度消失，阻碍模型收敛。不太理解的，可以去看下面试常问系列(一)-神经网络参数初始化-CSDN博客

2. 缩放的作用

缩放公式 ：将点积结果除以，即Softmax()。
方差控制 ：缩放后，点积的方差变为，标准差为1。这使得点积结果分布在更合理的区间（如-5到+5），Softmax的输入不会因维度增大而爆炸。
梯度稳定性：Softmax的梯度在输入值适中时较大，缩放后梯度更稳定，模型训练更高效。

3. 类比初始化方法

类似He初始化（考虑前一层神经元数量调整权重方差），此处通过缩放调整点积的方差，确保网络各层的输入分布稳定。

4. 实验验证

原论文通过实验表明，缩放后模型收敛更快，性能更优。若省略缩放（即直接计算Softmax(Q⋅KT)），训练过程可能因梯度消失而失败。

5.总结

除以dk的本质是对点积结果进行方差归一化，确保Softmax的输入值不会随维度增大而失控，从而保持梯度稳定，提升训练效率和模型性能。这一设计是Transformer高效训练的关键细节之一。

6.赘述

后面这一部分，还会再出几个常见面试题，希望大家理论结合例子和实战，深入理解，加油！