深度学习 Transformer 的自注意力机制掩码

原创最新推荐文章于 2026-09-27 15:22:16 发布 2k 阅读 AI写同款

爱喝白开水a

6793粉丝763篇原创

关注

智谱AI发布国产最强大模型GLM4，理解评测与数学能力仅次于Gemini Ultra和GPT-4，编程能力超过Gemini-pro，还有对标GPTs商店的GLMs 这是在智谱AI开发者大会上推出的新一代基座大语言模型，GLM4相比较此前最大的特点是三个变化：性能全面提升、上下文长度更长、支持更强的多模态能力。GLM4（GLM4）详细信息 | 名称、简介、使用方法，开源情况，商用授权信息 | 数据学习 (DataLearner) 阅读详情

AI摘要

博客介绍了深度学习Transformer自注意力机制中掩码的类型、应用及代码示例，还分享了AI大模型学习资源，包括全套AGI大模型学习路线、640套报告合集、经典PDF书籍和商业化落地方案，帮助读者学习AI大模型。

在这里插入图片描述

01引言

深度学习 Transformer 自注意力机制中的掩码（Mask）是一种关键技术，用于控制模型在处理序列数据时哪些位置的信息可以被相互关注。掩码在不同的上下文中有不同的应用，但总体目的是防止在处理序列的当前位置时“泄露”未来位置的信息或者忽略无关的位置。

02理解

常见的掩码类型：

1. 遮蔽未来的信息（Look-ahead Mask）：

在自回归任务中，如语言模型或机器翻译，每个输出应该仅依赖于它之前的输出。因此，需要一个掩码来确保在计算当前输出时忽略所有未来的位置。

这种掩码通常是一个上三角矩阵，其中对角线及以下的元素为 True（表示掩蔽），对角线以上的元素为 False（表示不掩蔽）。

2. 填充掩码（Padding Mask）：

在处理变长序列时，通常需要将序列填充到相同的长度。填充的位置对于模型来说是无关的，因此需要一个掩码来告诉模型忽略这些位置。

这种掩码通常基于一个二进制矩阵，其中填充位置为 True（表示掩蔽），非填充位置为 False。

自注意力机制中的掩码应用：

在自注意力层中，掩码用于修改注意力分数，使得被掩码的位置的权重为零（或接近零），从而在计算注意力加权平均时忽略这些位置。具体步骤如下：

1. 计算注意力分数：

通常通过计算查询（Query）、键（Key）之间的点积，然后除以缩放因子（通常是键向量的维度的平方根）。

2. 应用掩码：

将掩码与注意力分数相乘。对于填充掩码，可以直接将 True 位置的分数设置为一个非常小的负数（如 -1e9），这样在应用 softmax 函数时，这些位置的权重将接近于零。

对于遮蔽未来的信息的掩码，同样可以将被掩码位置的分数设置为一个非常小的负数。

3. 计算注意力权重：

使用 softmax 函数对修改后的注意力分数进行归一化，得到注意力权重。

4. 计算加权平均：

使用注意力权重对值（Value）向量进行加权平均，得到最终的输出。

在这里插入图片描述

5. 例子

在这里插入图片描述

在代码段中，return subsequent_mask == 0 这个表达式用于生成一个布尔类型的张量，指定了哪些位置应该被掩蔽。

解释

subsequent_mask 是一个通过 torch.triu 创建的上三角矩阵，其中对角线和对角线以上的元素被设置为 1（因为 torch.triu 默认创建一个上三角矩阵，其中对角线及以上位置为 True，以下为 False）。在调用 .type(torch.uint8) 后，这些值被转换为 1（真）和 0（假）。

当执行 subsequent_mask == 0 时，此操作会逐一检查 subsequent_mask 中的每个元素是否等于 0：

如果元素值为 0（即原来是 False），则表达式结果为 True。
如果元素值为 1（即原来是 True），则表达式结果为 False。

因此，返回的张量将具有以下特性：

对角线及以下的元素（原始掩码中的值为0的地方）在返回的张量中会变为 True，表示这些位置应该被掩蔽（即在注意力计算中忽略这些位置）。
对角线以上的元素（原始掩码中的值为1的地方）在返回的张量中会变为 False，表示不需要掩蔽这些位置。

例子

假设 size=3，则 subsequent_mask 为：

  1 1 1  
  0 1 1  
  0 0 1

经过 subsequent_mask == 0 操作后，得到的张量为：

False  False  False
True   False  False
True   True   False

03代码

假设有一个简单的自注意力计算：

import torch
import torch.nn.functional as F

query = torch.tensor([[1, 2], [3, 4]], dtype=torch.float32)
key = torch.tensor([[5, 6], [7, 8]], dtype=torch.float32)
value = torch.tensor([[9, 10], [11, 12]], dtype=torch.float32)

# 计算点积
scores = torch.matmul(query, key.transpose(-2, -1)) / math.sqrt(query.size(-1))

# 创建一个遮蔽未来的掩码
mask = torch.triu(torch.ones_like(scores), diagonal=1) == 0

# 应用掩码
scores = scores.masked_fill(mask, float('-inf'))

# 计算注意力权重
attention = F.softmax(scores, dim=-1)

# 计算加权平均
output = torch.matmul(attention, value)