第6章 Self-Attention本章目标：完整推导 Self-Attention 的计算过程，手算一个例子，理解每一步的含义。本章目录6.1 Self-Attention 的输入6.2 三个权重矩阵6.3 计算 Q、K、V6.4 计算 Attention Score6.5 为什么要除以 √d_k？6.6 Softmax6.7 加权求和6.8 完整公式6.9 完整流程图6.10 手算一个完整例子6.11 Attention Matrix 的含义6.12 TensorFlow 实现6.13 Self-Attention 的复杂度本章总结本章思考题下一章预告6.1 Self-Attention 的输入Self-Attention 的输入是一个矩阵XXX：X∈Rseq_len×dmodelX \in \mathbb{R}^{seq\_len \times d_{model}}X∈Rseq_len×dmodel例如，句子I love AI（3个Token），d_model=4：X=[101002021111]X = \begin{bmatrix} 1 0 1 0 \\ 0 2 0 2 \\ 1 1 1 1 \end{bmatrix}X=101021101021每一行是一个 Token 的向量表示。6.2 三个权重矩阵Self-Attention 有三个可学习的权重矩阵：WQ∈Rdmodel×dkW_Q \in \mathbb{R}^{d_{model} \times d_k}WQ∈Rdmodel×dkWK∈Rdmodel×dkW_K \in \mathbb{R}^{d_{model} \times d_k}WK∈Rdmodel×dkWV∈Rdmodel×dvW_V \in \mathbb{R}^{d_{model} \times d_v}WV∈Rdmodel×dv通常dk=dv=dmodel/num_headsd_k = d_v = d_{model} / num\_headsdk=dv=dmodel/num_heads，即三个矩阵的 Shape 实际相同。💡为什么WVW_VWV写成dvd_vdv而不是dkd_kdk？Q 和 K 必须维度相同（都是dkd_kdk），因为它们需要做点积来计算注意力分数。但 V 的作用是提供"被加权求和的内容"，它的输出维度dvd_vdv决定了最终 Attention 输出的维度，理论上可以和dkd_kdk不同。论文中用不同符号是为了强调这一设计自由度。但在所有主流实现中（包括原始论文），dk=dvd_k = d_vdk=dv，你可以直接把它们当成同一个值。📌本章聚焦单头 Attention 的完整计算过程。这里的dkd_kdk实际上是多头注意力中每个 Head 分配到的维度（例如dmodel=512d_{model}=512dmodel=512, 8 个 Head 时dk=64d_k=64dk=64）。关于为什么要拆成多个 Head、以及多头之间如何协作，将在第7章详细展开。本章你只需要把它当作"一个 Head 内部的维度"来理解即可。6.3 计算 Q、K、VQ=X⋅WQQ = X \cdot W_QQ=X⋅WQK=X⋅WKK = X \cdot W_KK=X⋅WKV=X⋅WVV = X \cdot W_VV=X⋅WV
