注意力机制：让模型学会抓重点，从查询、键、值到Transformer

一、为什么模型需要注意力？

1. 人类本来就会“挑重点”

想象你在一个热闹的集市里找朋友。周围有很多人、很多声音、很多招牌，但你不会把每个细节都完整记住。你会先盯住对方的衣服颜色、站姿、招手动作，快速缩小范围。

这就是注意力。

注意力机制的核心，不是“记住全部”，而是“根据当前任务，决定该关注什么”。

2. 传统模型的问题：总想平均分配注意力

很多早期模型遇到一段输入时，容易把所有位置看成差不多重要。这样做有两个问题：

信息太多时，会被噪声淹没。

距离太远的关键信息，模型不一定能及时抓住。

比如翻译一句话时，英文单词和中文词语之间经常不是一一对应的。如果模型只按固定顺序往前读，遇到长句就容易“前面忘了，后面又来不及看”。

注意力机制就是为了解决这个问题而生的：让模型在需要的时候，动态回头看更相关的内容。

3. 一个很直白的比喻：查字典

你要查“卷积”这个词时，会先在目录里找“卷”或“convolution”附近的条目。

你的目的，就是查找现在真正想要的内容，这叫 查询（Query）。

每个词条都有自己的名字、标签、索引，这些像 键（Key）。

真正的词条解释内容，像 值（Value）。

模型也是同样的思路：

Query：我现在想解决什么问题

Key：每个候选信息的“标签”

Value：被取出来的真实内容

注意力机制做的事，就是先比较  Query 和每个 Key 的相关程度，再把对应的 Value 按重要性加权汇总。

二、注意力提示：模型该往哪看？

1. 生物学里的注意力提示

在现实世界里，注意力不是随机发生的，而是会被一些“提示”触发。

比如：

你听到自己的名字，会立刻抬头。

你看到红色警示牌，会比普通文字更敏感。

你在做数学题时，会更在意数字、符号和条件，而不是题干里的背景故事。

这些能引导注意力的线索，就叫 注意力提示。

2. 查询、键和值：注意力机制的三件套

这是注意力机制最重要的一组概念。

你可以把它想成“在商场里找商品”：

Query 是你心里想买的东西。

Key 是每个货架贴的商品标签。

Value 是货架上真正的商品。

模型先看 Query 和 Key 像不像，再决定从哪些 Value 多拿一点。

3. 注意力其实就是加权平均

如果只说一句话，注意力机制可以概括成：

先算每个位置的重要性，再做加权平均。

数学上可以写成：

output=sumialphaivioutput = sum_i alpha_i v_ioutput=sumialphaivi

其中：

alphaialpha_ialphai 表示第 iii 个位置的权重

viv_ivi 表示第 iii 个位置的值

权重越大，这个位置对结果影响越大。

4. 一个生活化例子

假设你在读一句话：

小明把苹果放进了冰箱，因为它很容易坏。

这里“它”指的是“苹果”，而不是“冰箱”。

如果模型想判断“它”指谁，就不能平均看前文所有词，而应该更关注“苹果”这个词。注意力机制做的，就是这种“把目光投向更相关词语”的工作。

5. 注意力的  可视化

注意力不是神秘黑箱。我们通常可以把权重画成热力图，看看模型到底在关注哪里。

比如在  机器翻译 里：

译“我喜欢这本书”时，模型可能会重点关注“喜欢”和“书”。

译长句时，某个中文词可能会对应英文里的几个词。

可视化的价值很大，因为它能帮我们回答一个很实际的问题：

模型是“真的看懂了”，还是只是碰巧猜对了？

三、注意力汇聚：Nadaraya-Watson 核回归

注意力机制并不是先有  深度学习              才出现的。其实早在 1964 年，人们就在统计学习里用过一个非常接近注意力思想的方法：Nadaraya-Watson 核回归。

它的思想特别适合入门理解，因为它几乎就是“注意力机制的雏形”。

1. 先看最简单的平均汇聚

如果你想预测一个点的值，最偷懒的方法就是平均周围样本。

比如周围 5 个点分别是：2、4、6、8、10。

直接平均就是 6。

这就是平均汇聚：不管远近，不管相似不相似，大家权重都一样。

这个方法简单，但太粗糙了。因为离你更近、更像你的样本，往往更值得参考。

2. 非参数注意力汇聚：相似的多看，不相似的少看

Nadaraya-Watson 的核心做法是：

先看当前输入和每个样本有多像。

越像的样本，权重越大。

最后把所有样本的值加权平均。

这就像你在问同学题目答案时：

跟你学得差不多的人，建议更可信。

完全不在一个水平的人，参考价值就低一些。

所以它不是简单平均，而是根据相似度分配权重。

3. 一个最小示例

下面是一个非常小的示意代码，帮助你理解“权重越大，越像被重点关注”。

import torch def attention_pooling(query, keys, values):    # query: 当前想预测的位置（一个标量或向量）    # keys: 所有候选样本的位置（与 query 同类型的张量）    # values: 候选样本对应的真实值（将被加权汇总）    # 下面计算每个 key 与 query 的相似性得分：这里用负平方距离，距离越小得分越大    scores = -((keys - query) ** 2)    # 把得分转换为概率权重，softmax 会把所有分数规范化为正数并使其和为 1    weights = torch.softmax(scores, dim=0)    # 用权重对 values 做加权求和，得到注意力汇聚结果；同时返回权重便于可视化或调试    return (weights * values).sum(), weights # --- 示范用法 --- # 构造一个示例查询（query）和值/键（keys, values） query = torch.tensor(2.5)                          # 我们想预测的位置是 2.5 keys = torch.tensor([1.0, 2.0, 3.0, 4.0])          # 四个候选位置 values = torch.tensor([1.0, 2.0, 3.0, 4.0])        # 对应的真实值（这里简单用位置本身作为示例） # 调用注意力汇聚函数得到输出和每个候选的权重 output, weights = attention_pooling(query, keys, values) # 打印结果：output 是汇聚后的预测值，weights 是每个候选被关注的程度 print('output =', output) print('weights =', weights)

这里的重点不是代码多复杂，而是思路：

先算 query 和每个 key 的相关性。

再把相关性变成权重。

最后对 values 做加权求和。

这和现代注意力机制的主干完全一致。

4. 带参数的注意力汇聚

前面的方法里，相关性是“手工定义”的，比如距离越近权重越大。

但真实问题里，我们希望模型自己学会什么叫“相似”。于是就会引入参数，让模型自动学习权重怎么分配。

这样一来，注意力不再是固定公式，而是一个可以训练的模块。

这就是从“统计里的核回归”走向“深度学习里的注意力层”的关键一步。

5. 小结

Nadaraya-Watson 核回归告诉我们一件很重要的事：

模型不一定要平均看待所有输入，它可以根据相关程度，给不同输入不同权重。

这就是注意力思想的原点。

四、注意力评分函数：先打分，再汇总

注意力机制的核心流程可以拆成三步：

计算 Query 和 Key 的相关性。

把相关性变成权重。

对 Value 做加权求和。

第一步最关键，因为“怎么打分”，会直接影响注意力怎么分配。

1. 掩蔽 softmax：有些位置不能看

在很多任务里，并不是所有位置都能看。

比如：

句子补齐后的空白部分，不能被当成真实词语。

在生成文本时，模型不能偷看未来词，只能看已经生成的过去词。

这时候就要用 掩蔽 softmax。

它的作用很简单：

不允许看的位置，分数直接设成一个极小值。

这样经过 softmax 后，这些位置的权重就接近 0。

可以把它理解成“黑名单机制”。

2. 加性注意力：用一个小网络来打分

加性注意力的思路是：

把 Query 和 Key 拼在一起。

送进一个小神经网络。

输出一个相关性分数。

通俗理解：

不只是看“像不像”，还让模型自己学会“怎么判断像不像”。

这类方法通常比较灵活，适合处理 Query 和 Key 维度不同的情况。

3. 缩放点积注意力：更直接、更高效

另一种非常常见的方法是 缩放点积注意力。

它的打分方式很直接：

score=(q⋅k)/sqrt(d)score = (q \cdot k) / sqrt(d)score=(q⋅k)/sqrt(d)

其中：

qqq 是 Query

kkk 是 Key

ddd 是向量维度

为什么要除以 sqrt(d)sqrt(d)sqrt(d)？

因为维度越大，点积数值越容易变得很大，softmax 就会变得特别“偏激”，容易只盯住某一个位置。缩放以后，训练会更稳定。

4. 什么时候用哪种？

你可以这样记：

加性注意力：更灵活，适合不一样的 Query 和 Key。

缩放点积注意力：更简单、更快，Transformer 里最常见。

5. 小结

注意力评分函数就像“打分器”。

先给每个候选信息打分，再把分数变成权重，最后汇总值。

这件事看起来普通，但它是所有注意力模型的共同骨架。

五、Bahdanau 注意力：让翻译模型学会“回头看”

如果说前面的内容是在讲“注意力是什么”，那 Bahdanau 注意力就是注意力机制真正进入深度学习主流的代表作之一。

它最早在机器翻译任务里大放异彩。

1. 传统 Seq2Seq 的问题

早期的编码器-解码器模型，通常会把整句输入压缩成一个固定长度的向量，再交给解码器生成翻译。

这个做法的问题很明显：

短句还行。

长句容易丢信息。

就像你把一整本书压缩成一张便签，再指望它帮你复述全文，难度太大了。

2. Bahdanau 注意力的思路

Bahdanau 注意力的关键改进是：

解码器在生成每一个词时，都可以回头看编码器输出的全部位置，并决定当前最该关注哪里。

也就是说，翻译不是一次性看完整句就结束，而是每一步都重新分配注意力。

3. 直白理解：翻译时边写边查

你可以把它想成写作文时查资料：

写到这一句时，你会回头翻前面的笔记。

下一句又可能参考另外一页。

每一步关注的位置都可能不一样。

Bahdanau 注意力做的，就是这种“边生成，边回看”的事情。

4. 结构上发生了什么？

最简单地说：

编码器把输入句子变成一串隐藏状态。

解码器当前的状态作为 Query。

编码器每个时间步的隐藏状态作为 Key 和 Value。

计算注意力权重后，得到一个上下文向量。

解码器用这个上下文向量去生成下一个词。

5. 一个小示意图

这个循环会一直重复，直到整句翻译完成。

6. 训练时要注意什么？

Bahdanau 注意力本身是可微分的，所以可以直接用反向传播训练。

训练时通常会配合 teacher forcing，也就是：

训练阶段，把上一时刻的真实词语喂给解码器。

推理阶段，模型自己根据上一步的预测继续往下生成。

7. 小结

Bahdanau 注意力最重要的价值，不只是“翻译效果变好了”，而是它证明了：

模型可以在生成过程中动态对齐输入和输出。

这一步非常关键，因为它让注意力真正成为了序列建模的核心工具。

六、多头注意力：一个人看不够，就让很多人一起看

1. 为什么要多头？

单个注意力头，通常只能从一个角度看问题。

但真实语言往往很复杂：

有的词关系是主谓关系。

有的词关系是修饰关系。

有的词关系隔得很远。

如果只用一种关注方式，模型很可能看漏。

所以就有了 多头注意力。

2. 多头注意力的直观理解

你可以把它想成开会：

一个同学负责看主语和谓语。

一个同学负责看修饰词。

一个同学负责看长距离依赖。

最后大家把结论汇总起来。

这比一个人从头看到尾更稳。

3. 多头到底做了什么？

多头注意力通常包含以下步骤：

把输入投影到多个子空间。

每个子空间单独做一次注意力。

把多个头的结果拼接起来。

再做一次线性变换。

这样模型就能同时从多个角度“读同一句话”。

4. 一个简单的比喻

如果单头注意力像一副望远镜，那么多头注意力就像：

一组不同焦距的望远镜

一起看同一个目标

有的看细节，有的看全局。

5. 多头的好处

表达能力更强。

能学到不同类型的关系。

更适合复杂序列任务。

6. 小结

多头注意力的核心思想其实很朴素：

让多个注意力模块并行工作，每个模块负责看不同的“重点”。

这也是 Transformer 之所以强大的关键组件之一。

七、自注意力和位置编码：同一句话里，词语彼此交流

1. 什么是自注意力？

前面我们讲的注意力，常常是“一个输入去关注另一个输入”。

而 自注意力 更直接：

同一个序列里的每个位置，都会去关注同一序列里的其他位置。

也就是说，句子里的每个词，都可以“和自己队伍里的其他词开会”。

比如在句子“我把书放在桌子上”里：

“放”可能会关注“书”和“桌子”。

“桌子”可能会关注“上”。

“书”可能会关注“放”。

于是，每个词都能拿到一个融合了上下文的新表示。

2. 自注意力为什么强？

它有三个很明显的优点：

可以并行计算，不像 RNN 那样必须一步一步读。

能直接建立远距离依赖，不需要层层传递。

表达灵活，能根据任务动态决定关注谁。

3. 和  CNN 、RNN 比一比

如果只看这一张表，你就已经抓住了自注意力的主线：

它强在“全局看、并行算、动态选重点”。

4. 但它也有一个天然问题：不知道顺序

注意力机制本身只会算“谁和谁相关”，但它并不知道谁在前、谁在后。

如果你把“我爱你”和“你爱我”的词都打乱，单靠注意力很难判断顺序差异。

所以我们还需要 位置编码。

5. 位置编码：给每个位置发一个“座位号”

位置编码就是给序列里的每个位置加上一个表示“我在第几个”的信息。

这样模型就不只知道“有哪些词”，还知道“这些词的先后顺序”。

经典的正弦位置编码可以理解成：

低维度变化快，容易区分相邻位置。

高维度变化慢，帮助模型感知更远的距离。

6. 一个简化版代码示意

import torch def positional_encoding(num_positions, num_hiddens):    # 初始化一个全零张量，形状为 (1, 序列长度, 隐藏维度)    X = torch.zeros((1, num_positions, num_hiddens))    # positions 是每个位置的索引，形状为 (num_positions, 1)    positions = torch.arange(0, num_positions).reshape(-1, 1)    # div_term 用于控制不同维度正弦/余弦函数的频率    # 这里按照论文做法，在偶数和奇数维上使用不同的频率比例    div_term = torch.exp(        torch.arange(0, num_hiddens, 2) * (-torch.log(torch.tensor(10000.0)) / num_hiddens)    )    # 偶数维用 sin，步长为 2（0::2），把 positions 与频率相乘后取 sin    X[0, :, 0::2] = torch.sin(positions * div_term)    # 奇数维用 cos，步长为 2（1::2）    X[0, :, 1::2] = torch.cos(positions * div_term)    # 返回位置编码张量，通常会加到输入的词嵌入上    return X # --- 示范用法 --- pe = positional_encoding(6, 8)   # 生成长度为 6、隐藏维度为 8 的位置编码 print('positional encoding shape =', pe.shape)  # 打印形状以验证输出：应为 (1, 6, 8)

你不用死记这段代码，只要记住一句话：

位置编码是在告诉模型：这些词虽然同时出现，但它们的顺序不能乱。

7. 小结

自注意力负责“看内容关系”，位置编码负责“看顺序信息”。

两者合在一起，模型才真正知道一句话是什么、先后顺序又是什么。

八、Transformer：只靠注意力，也能搭起强大系统

1. Transformer 为什么重要？

2017 年，Transformer 一出现，就把很多序列任务的规则改写了。

它最大的特点是：

不靠循环，主要靠注意力。

这意味着它既能并行处理，又能建模长距离关系，还特别适合大规模训练。

2. Transformer 的整体结构

最经典的 Transformer 可以分成两部分：

编码器（Encoder）：把输入句子编码成更有信息的表示。

解码器（Decoder）：根据编码结果逐步生成输出。

你可以把它想成“读题 + 写答案”：

编码器负责读懂题目。

解码器负责一步步写答案。

3. 一个 Transformer 块里有什么？

每个基本模块通常包括：

多头注意力

基于位置的前馈网络

残差连接

层规范化

这几样东西组合起来，让模型既能学关系，又能保持训练稳定。

4. 基于位置的前馈网络：给每个位置再加工一次

注意力负责“把信息聚合起来”，前馈网络负责“把每个位置再加工一遍”。

你可以把它理解成：

注意力像开会，把有用信息汇总出来。

前馈网络像个人复盘，把自己的理解再提炼一次。

5. 残差连接和层规范化：训练稳定的关键

深层网络最怕什么？

怕信号传不过去，怕训练不稳定。

所以 Transformer 里要加：

残差连接：让信息可以“绕一下路”直接传过去。

层规范化：让每层输出别太极端，训练更稳。

它们就像给模型装上减震器和旁路通道。

6. 解码器为什么要“看未来”被禁止？

在生成任务里，模型不能提前偷看后面的词。

比如你在写句子时，不能先看到答案再写过程。为了保证训练和生成逻辑一致，解码器里的自注意力会用掩蔽机制屏蔽未来位置。

这就是为什么 Transformer 解码器里有 masked self-attention。

7. 训练时发生什么？

训练 Transformer 时，通常还是用交叉熵损失。

步骤可以非常直白地理解成：

编码器读入源句子。

解码器根据已知前缀预测下一个词。

和真实答案比对，算损失。

反向传播更新参数。

8. Transformer 的优势和代价

优势：

并行能力强。

长距离建模好。

结构统一，容易扩展。

代价：

自注意力计算量随序列长度增长很快。

序列很长时，显存和算力压力会变大。

也就是说，它很强，但并不是“没有代价的万能钥匙”。

9. 一张总览图

如果你把这个图看懂了，Transformer 的主线就基本抓住了。

10. 小结

Transformer 的真正厉害之处，不是某一个小技巧，而是它把以下几件事整合到了一起：

注意力

多头并行

位置编码

残差连接

层规范化

最后形成了一个既能表达复杂关系、又能高效训练的通用架构。

九、把整章串起来：注意力机制到底在解决什么？

如果用一句话总结整章，那就是：

注意力机制让模型学会根据当前任务，动态决定“看哪里、看多少、怎么看”。

它不是替代所有模型，而是给模型增加了一种非常重要的能力：有选择地处理信息。

你可以把整章内容串成一条线：

注意力提示告诉我们，模型可以像人一样先抓重点。

Nadaraya-Watson 说明了“按相关性加权”的原始思想。

评分函数把“相关性”变成可计算、可训练的权重。

Bahdanau 注意力让序列模型能边生成边回看。

多头注意力让模型从多个角度同时看问题。

自注意力让序列内部的信息彼此交流。

位置编码补上顺序信息。

Transformer 把这些部分组合成一个强大的通用架构。

这就是从“会关注”到“善于关注”的完整演化。

十、给新手的记忆法

如果你刚学这一章，不用一口气背完所有公式。先记住下面这几句就够了：

Query 是我现在想找什么。

Key 是每条信息的标签。

Value 是真正要取走的内容。

注意力就是先打分，再加权平均。

多头注意力就是让多个“关注视角”一起工作。

自注意力是序列内部自己和自己交流。

位置编码是给模型补上顺序感。

Transformer 是只靠注意力搭起来的强大架构。

只要这几句话在脑子里站稳了，后面看论文、看代码、看实现都会顺很多。

十一、练习一下

你可以先不写代码，直接尝试回答这几个问题：

为什么注意力机制比“平均看所有输入”更聪明？

Query、Key、Value 三者分别像什么？

为什么翻译长句时，Bahdanau 注意力比早期 Seq2Seq 更有优势？

多头注意力为什么不是“重复计算”，而是“多角度建模”？

为什么自注意力需要位置编码？

Transformer 里的残差连接和层规范化，分别在帮什么忙？

如果你能用自己的话把这些问题讲出来，说明你已经真正入门了。