Transformer的Q、K、V和Mutil-Head Self-Attention（超详细解读）

目录

一.什么是Q、K、V

二.Mutil-Head Self-Attention

---

Transformer大行其道，在众多领域取得了不可忽视的成就。如今大火的语言大模型LLM也都是基于Transformer，但是Transformer中的Q、K、V和多头注意力到底是什么呢？这里简单做个学习记录，进行再一次认识和掌握。

一.什么是Q、K、V

Transformer中的Q、K和V是指在自注意力机制（self-attention mechanism）中使用的三个输入表示向量。

Q表示查询向量，K表示关键向量，V表示数值向量。这三个向量是通过线性变换从原始输入向量（通常是词嵌入表示）得到的。

在自注意力机制中，以查询向量Q为基础，通过计算查询向量与所有关键向量K之间的相似度，得到一个权重分布，用于加权求和关联的数值向量V。

Q、K、V概念来源于检索系统，其中Q为Query、K为Key、V为Value。可以简单理解为Q与K进行相似度匹配，匹配后取得的结果就是V。举个例子我们在某宝上搜索东西，输入的搜索关键词就是Q，商品对应的描述就是K，Q与K匹配成功后搜索出来的商品就是V。

Transformer中，注意力的核心公式是

，那Q、K、V是怎么来的呢？这里其实是通过对输入矩阵X进行线性变换得到的，用公式可以简单写成以下：

用图片直观表示为：

其中、、是三个可训练的参数矩阵，输入矩阵X分别与三个矩阵参数进行相乘，相当于进行一次线性变换，得到了Q、K、V。

然后使用Q、K、V计算注意力矩阵，公式如下：

论文中给出的图如下：

Q和经过MatMul，生成了相似度矩阵。对相似度矩阵每个元素除以，为的维度大小。这个除法被称为Scale。当很大时，的乘法结果方差变大，进行Scale可以使方差变小，训练时梯度更新更稳定。然后经过SoftMax，最后与V做一个MatMul操作得到结果。

二.Mutil-Head Self-Attention

上文理解了Q、K、V及其它们的由来，那多头注意力是什么呢？

Transformer论文中给出的多头注意力公式如下：

从公式可以看出，多头注意力就是将多个head进行Concat然后与

相乘。其中每个head是由

与Q、K、V做Attention操作得到。论文给出的图如下：

Q、K、V经过Linear然后经过h个Self-Attention，得到h个输出，其中h指的是注意力的头数。h个输出进行Concat然后过Linear得到最终结果。

那么就得到了多组Q、K、V，每一组就是一个head。

---

下面引用B站作者霹雳吧啦Wz的内容进行讲解。

先做个铺垫如下图

同理也会得到不同输入的2个head中的head2。如下图

左侧是x1、x2输入的head1，右侧是x1、x2输入的head2，b是偏置。

致此，就得到了每个

对应的

参数。接下来针对每个head使用和Self-Attention中相同的方法即可得到对应的结果。

 接着将每个head得到的结果进行concat拼接，接着将拼接后的结果通过

（可学习的参数）进行融合。

从上可以看出，每个head关注的子空间不一定是一样的，那么这个多头的机制能够联合来自不同head部分学习到的信息，这就使得模型具有更强的认识能力。

更多的头数意味着更强大的模型能力，比如LLM大模型Baichuan-13B中的head数目是40，而Baichuan-7B中的head数目是32。