自注意力机制是深度学习中的关键概念，用于比较和加权输入信息。通过查询（Q）、键（K）和值（V）的相互作用，模型能够识别相关特征。例如，一个渣男在选择备胎时，会根据自己的择偶标准（Q）对比备胎的条件（K），计算相似度，并据此分配注意力（V）。点乘运算衡量向量的相似度，通过归一化权重矩阵，确定对每个备胎的关注程度。这一机制在自然语言处理等领域广泛应用，增强了模型的表达能力。
自注意力机制（self-attention）
首先，其核心思想为：
其中，Q为query， ，即查询、要查询的信息
K为key， ，即索引、被查询的向量
V为value， ，即值、查询到的内容
dk代表k的维度，除以k的维度的平方根，使训练时的梯度保持稳定
Q，K，V都是输入x经过经过线性变换得到的，和它们分别相乘的三个矩阵W是通过学习得到的矩阵，使用这样的线性变换可以提高的模型的拟合能力
举一个例子
有一个渣男，他有 n 个备胎，他想要从自己的备胎里寻找最符合自己期望的，好分配注意力和管理时间
用 Q 表示择偶标准，K表示自身条件，V表示被
最低0.47元/天 解锁文章
扫一扫
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
