AI-大语言模型LLM-Transformer架构4-多头注意力、掩码注意力、交叉注意力

目的

为避免一学就会、一用就废，这里做下笔记

说明

本文内容紧承前文-Transformer架构1-整体介绍、Transformer架构2-自注意力、Transformer架构3-嵌入和位置编码，欲渐进，请循序
本文重点介绍Transformer架构中的多种注意力，它们在编码器堆栈和解码器堆栈中都有用到

概述

在前文Transformer架构2-自注意力中，讲到上图中的1号、2号注意力都是自注意力，而在详细架构图中，他们又被描述为多头注意力、掩码注意力等。诸多概念容易让人混淆，必须澄清：这些注意力的类型并非互斥，他们只是从不同的角度对注意力机制进行的分类

按Q、K、V的不同来源分类：
- 自注意力：Q、K、V来自同一个序列
- 交叉注意力：Q、K、V来自不同的序列，上图3号编码器-解码器注意力是一种具体的交叉注意力，它的Q来自解码器（的输出序列），K、V来自编码器（的输出序列）
按Q、K、V的数量分类
- 多头注意力：将 Q、K、V 投影到多个子空间，并行计算多个注意力，然后拼接
- 单头注意力：只有一个注意力头，即只有一组Q、K、V
按信息可见性进行分类
- 掩码注意力 ：通过掩码矩阵限制某些 token 对之间的注意力权重（通常设为 -∞），使其在 softmax 后接近 0。目的是控制信息流动，防止信息泄漏。架构图中，2号注意力是掩码注意力的一个子类-因果掩码注意力，它只能看到当前及之前的 token（因为解码器下一刻的输出还不知道）
- 非掩码注意力：所有 token 对之间都可以自由计算注意力，无访问限制。如上图中1号和3号都是非掩码注意力

按照上述说明，上图1-3号注意力详细分类如下：

1号注意力，属于多头注意力、自注意力、非掩码注意力
2号注意力，属于多头注意力、自注意力、掩码注意力
3号注意力，属于多头注意力、交叉注意力、非掩码注意力

多头注意力详解

什么是多头注意力

从本质上看：多头注意力是一种将信息的表示空间进行分解的注意力。 它将一个标准的注意力过程分解为多个并行的"头"，每个头在不同的表示子空间中学习不同的注意力模式，最后将所有头的输出拼接并线性变换。

从形式上看：多头注意力使用多组 W Q W^Q WQ、 W K W^K WK、 W V W^V WV矩阵，标准单头注意力则仅使用一组。

多头注意力的每个头是什么

每个"头"本质上是一个独立的注意力计算单元，包含三个关键部分：

1. 独立的参数投影Q、K、V

2. 独立的注意力计算过程:

python 复制代码

head_i = Attention(head_i_Q, head_i_K, head_i_V)

每个头在自己的子空间中计算注意力权重
计算公式相同： s o f t m a x ( Q K T / √ d k ) V softmax(QKᵀ/√d_k)V softmax(QKT/√dk)V

3. 独立的信息聚焦：

不同的头可能会自发地学习关注不同类型的信息：

头1 ：可能关注语法结构（如主谓关系）
头2 ：可能关注语义角色（如施事、受事）
头3 ：可能关注长距离依赖
头4 ：可能关注局部短语结构

示例（翻译任务："The animal didn't cross the street because it was too tired"）：

复制代码

头1关注 "it" → "animal" （指代关系）
头2关注 "didn't" → "cross" （否定修饰）
头3关注 "cross" → "street" （动宾关系）
头4关注 "tired" → "animal" （属性描述）

多头注意力的优缺点

方面	优点	缺点
🎯 表示能力	1. 多视角学习：同时捕捉语法、语义、指代等多种关系 2. 特征多样性：类似CNN多滤波器，提取不同模式特征 3. 表达能力增强：超越单头注意力的表示上限	1. 冗余风险：多个头可能学习相似模式，造成参数浪费 2. 协调困难：不同头之间需要良好配合，优化难度增加
⚡ 计算效率	1. 并行加速：多个头可完全并行计算，GPU利用率高 2. 维度分解：单头维度降低（d_k = d_model/h），矩阵乘法更高效 3. 复杂度优化：理论复杂度从 O(n²·d_model²) 降至 O(n²·d_model²/h)	1. 实际开销：拼接、投影、数据移动增加额外开销 2. 内存消耗：需存储所有头的中间结果，内存占用显著增加 3. 通信成本：分布式训练时，多头的梯度同步成本高
🔄 模型性能	1. 泛化提升：类似集成学习效应，减少过拟合 2. 收敛加速：多路径学习有助于梯度流动 3. 鲁棒性增强：部分头失效时，其他头可补偿	1. 僵尸头问题：部分头学习不到有效模式，成为"死头" 2. 不稳定训练：多头竞争可能导致训练波动 3. 过参数化：小数据集上容易过拟合
🔍 可解释性	1. 模式可视化：可分析不同头关注的语义/语法模式 2. 调试友好：通过头分析定位模型问题 3. 结构洞察：揭示模型学习到的语言学结构	1. 解读误导：注意力权重≠重要性，可能被过度解读 2. 模式混合：实际中头常学习混合特征，边界模糊 3. 分析复杂度：需要专门工具分析多头注意力模式
🔧 工程实现	1. 模块化设计：结构清晰，易于实现和扩展 2. 兼容性好：与各种优化技术（混合精度、梯度检查点）兼容 3. 社区支持：主流框架均有优化实现	1. 实现复杂度：比单头注意力实现更复杂 2. 批处理限制：不同头可能对批大小敏感 3. 部署挑战：边缘设备上多头计算资源要求高
📊 资源消耗	1. 计算分解：大矩阵分解为小矩阵，适合硬件优化 2. 灵活配置：可根据资源调整头数	1. 参数量增加：增加约 (3h+1)/4 倍参数（相比单头） 2. 激活值存储：前向传播需存储多头中间结果，内存峰值高 3. 能耗增加：移动端/边缘设备能耗显著增加
🎓 学习动态	1. 多目标优化：不同头可专注不同子任务 2. 避免局部最优：多起点搜索提高找到全局最优概率	1. 优化冲突：不同头的梯度方向可能冲突 2. 学习不平衡：某些头学习快，某些学习慢 3. 超参数敏感：头数选择对性能影响大，需精细调参

掩码注意力详解

什么是掩码注意力

掩码注意力是在注意力计算中，通过一个掩码矩阵强制让某些位置的注意力权重变为零（或接近零），从而限制信息流动方向的注意力机制。

下图分别呈现了1-3号注意力的权重关系特征，其中2号掩码自注意力中，每个token只能向前关注，无法向后关注，因为后面的token还没有生成。

为什么用掩码注意力

保证自回归性（因果掩码）：防止解码时看到未来信息，确保逐词生成
处理变长序列（填充掩码）：忽略padding位置，聚焦有效内容
预训练任务需求（随机掩码）：如BERT的MLM任务，随机遮盖部分token
提升计算效率（稀疏掩码）：减少注意力计算量，处理长序列

掩码自注意力怎么计算

计算公式如下图：

掩码逻辑示意如下：

注意：之所以这里用 − ∞ -∞ −∞，是因为后续softmax函数中的 e x e^x ex，当x是 − ∞ -∞ −∞， e x e^x ex趋近于0

编解码注意力

即传统的注意力机制，只是它的K和V来自于编码器的输出，Q来自于解码器自身之前的输出，传统注意力机制的说明，详见前文-注意力机制