回顾

注意力机制

自注意力机制

自注意力机制中同样包含QKV，但它们是同源(Q≈K≈V)，也就是来自相同的输入数据X，X可以分为$(x_1,x_2,..,x_n)$。
而通过输入嵌入层(input embedding)，$(x_1,x_2,..,x_n)$变为$(a_1,a_2,..,a_n)$这些向量，通过X来寻找X中的关键点。

而对于每个$a_i$都会有对应$q_i,k_i,v_i$，Q不再是共用的。
Q={q1,q2,...,qn};K={k1,k2,...,kn};V={v1,v2,...,vn}Q = \{q_1,q_2,...,q_n\};K = \{k_1,k_2,...,k_n\};V = \{v_1,v_2,...,v_n\}Q={q1​,q2​,...,qn​};K={k1​,k2​,...,kn​};V={v1​,v2​,...,vn​}

在自注意力机制中，以输入数据X自身中的$x_i$作为查询对象(注意力机制中的Q），自身的其他$x$作为被查询对象V。也就是自己作为查询与被查询对象。

计算过程

① 计算QKV：
要得到QKV，则需要使用三个参数$W_Q,W_K,W_V$，这三个参数都是可训练的，而且所有$a$共享。
公式：
$q_i=a_i\ast W_Q$
$k_i=a_i\ast W_K$
$v_i=a_i\ast W_V$

而这个计算过程可以写为矩阵乘法，实现并行计算。

② 计算Q与K相似度（概率）：
每个$q_i$都有一次作为查询对象，所有的$k$计算与其的相似度（与它相同的概率）。
计算相似度的方法与注意力机制是相同，都是q与k进行点乘与scale得到相似度，其中$d_k$为k的尺寸，也就是向量$k$包含多少个数据。

计算过程如图所示，每个$q_i$都计算与所有$k$的相似度，相当于得到了每个个体都得到自己与其他个体的相似度。
由于相乘得到的值处于正负无穷之间，因此对结果使用Softmax来转换为概率，以此作为权重，代表对应的V在求和中的比重，代表其重要性。

计算过程也可以表示为矩阵运算

③ 汇总权重，得到包含注意力信息的结果
计算出Q与K的相似度，也就是得到了对于$q_i$，各个$v_i$的权重。
得到与每个个体的相似度后，就可以根据相似度融合所有个体的信息，来得到新的个体特征，也就是新的V。
因此，最后将得到的权重$\hat{a}$与每个$v_i$进行点乘运算再将结果相加，就可以得到包含了对于$q_i$l来说哪些重要与不重要的数据$b_i$，然后用$b_i$来代替$a_i$

计算过程也可以转换为矩阵运算

与注意力机制的不同

注意力机制是一个很宽泛（宏大）的一个概念，QKV 相乘就是注意力，但是他没有规定 QKV是怎么来的，他只规定 QKV 怎么做。
Q 可以是任何一个东西，V 也是任何一个东西， K往往是等同于 V 的（同源），K和 V 不同源不相等可不可以。

而自注意力机制，特别狭隘，属于注意力机制的，注意力机制包括自注意力机制的，他不仅规定了 QKV 同源，而且固定了 QKV 的做法，规定了QKV是如何得到的。

总结

自注意力机制是规定了数据自身来作为查询对象与被查询对象。