基本概念

我们可以用独立学习得到的h组不同的 线性投影来变换查询、键和值。 然后，这h组变换后的查询、键和值将并行地送到注意力汇聚中。 最后，将这h个注意力汇聚的输出拼接在一起， 并且通过另一个可以学习的线性投影进行变换， 以产生最终输出。 这种设计被称为多头注意力。对于h个注意力汇聚输出，每一个注意力汇聚都被称作一个头（head）。

模型

每个注意力头$h_i$的计算公式为
$${\mathbf{h}}_i=f({\mathbf{W}}_i^{(q)}\mathbf{q},{\mathbf{W}}_i^{(k)}\mathbf{k},{\mathbf{W}}_i^{(v)}\mathbf{v})\in {\mathbb{R}}^{p_v},$$
其中q-查询、k-键、v-值。$W_i^{(}q)$为q通过全连接层后得到的参数、$W_i^{(}k)$为k通过全连接层后得到的参数、$W_i^{(}v)$为v通过全连接层后得到的参数。

$f$为注意力汇聚函数，f内的注意力评分函数可以是加性注意力、缩放点击注意力。

多头注意力的输出需要经过另一个线性转换， 它对应着h个头连结后的结果，因此其可学习参数是$W_o$
$$\begin{array}{r}{\mathbf{W}}_o\left[\begin{array}{c}{\mathbf{h}}_1\\ ⋮\\ {\mathbf{h}}_h\end{array}\right]\in {\mathbb{R}}^{p_o}.\end{array}$$
基于这种设计，每个头都可能会关注输入的不同部分， 可以表示比简单加权平均值更复杂的函数。

小结

• 多头注意力融合了来自于多个注意力汇聚的不同知识，这些知识的不同来源于相同的查询、键和值的不同的子空间表示。

• 基于适当的张量操作，可以实现多头注意力的并行计算。