面试常问系列(一)-神经网络参数初始化-之自注意力机制为什么除以根号d而不是2*根号d或者3*根号d

首先先罗列几个参考文章，大家之后可以去看看，加深理解：

• 面试常问系列(一)-神经网络参数初始化
• 面试常问系列(一)-神经网络参数初始化之自注意力机制_注意力机制的参数初始化怎么做-CSDN博客
• 面试常问系列(一)-神经网络参数初始化-之-softmax-CSDN博客

好，步入正题，我们假定各位读者看过上面👆几篇文章，已经了解了，为什么自注意力机制中要使用 进行缩放，然后我们进一步进行探究，为什么不是 。

1、实例

1.点击没有缩放的时候，标准差的范围

• 在【-，】，有68.26%的值在这个区间，
• 在【-2，2】，有95.45%的值在这个区间，
• 在【-3，3】，有99.73%的值在这个区间，

参考：正态分布_百度百科

2.点击缩放的时候，标准差的范围从 到 1

• x在【-1，1】，在【0.37，2.72】有68.26%的值在这个区间，
• x在【-2，2】，有【0.14，7.39】95.45%的值在这个区间，
• x在【-3，3】，有【0.05，20.09】99.73%的值在这个区间，

3.点击缩放2的时候，标准差的范围从 到 0.5

• x在【-0.5，0.5】，在【0.61，1.65】有68.26%的值在这个区间，
• x在【-1，1】，有【0.37，2.72】95.45%的值在这个区间，
• x在【-1.5，1.5】，有【0.22，4.48】99.73%的值在这个区间，

2、实例总结(重点)

通过上述的不同缩放比例，大家应该可以比较清晰的发现，以一个标准差(68.26%)为例，随着缩放比例加大，变化范围减小，点击值被过度压缩，导致相对趋于均匀，从而无法很好的捕捉不同特征之间的差异，趋于大家都一样的感觉，区分度被缩小。大家感兴趣的可以实操看一下，softmax在不同缩放比例下的分布情况。

3、梯度特性

若除以2，Softmax输入的方差过小，导致梯度值普遍偏低，模型训练效率显著下降。例如，在机器翻译任务中，使用2​的BLEU分数可能下降2-3个点。

4、实验验证

• 收敛速度对比

在WMT14英德翻译任务中，使用的Transformer模型在5万步迭代后达到收敛，而使用2的模型需8万步迭代，且最终BLEU分数低1.5个点。

• 数值稳定性测试

通过模拟高维向量（d=1024）的点积计算，发现：

a. 缩放后，Softmax输入的最大值约为5，最小值约为-5，梯度值集中在[0.1,0.5]；

b. 2缩放后，Softmax输入的最大值约为2.5，最小值约为-2.5，梯度值集中在[0.01,0.1]，导致训练缓慢。

• 泛化能力分析
  • 在GLUE基准测试中，缩放的模型在MNLI、QQP等任务上的准确率比2模型高1-2个百分点，表明其泛化能力更强。

参考：

https://zhuanlan.zhihu.com/p/32150751004