Makine Öğrenmesi
Multi-head
Multi-head attention, birden çok attention başlığını paralel çalıştırır.
Çok başlı dikkat
Tek bir dikkat başı tek bir ilişki türüne odaklanır. Çok başlı dikkat, d boyutlu temsili h parçaya böler; her baş kendi Q, K, V'siyle farklı bir ilişkiyi (dilbilgisi, eşgönderim, konum) öğrenir, sonuçlar birleştirilip bir çıktı dönüşümünden geçer:
# d_model = 512, h = 8 -> her baş d_k = 64
# her baş: attention(X W_q^i, X W_k^i, X W_v^i) (n, 64)
# birleşim: concat(baş_1..baş_8) (n, 512)
# çıktı: birleşim @ W_o (n, 512)
Toplam hesap, tek bir 512 boyutlu başla yaklaşık aynıdır; ama model aynı anda birden çok bakış açısı kazanır.
Başlara bölme
Uygulamada başlar ayrı matrislerle değil, tek bir büyük projeksiyonun yeniden şekillendirilmesiyle hesaplanır: (n, d) → (h, n, d/h). Böylece tüm başlar tek bir toplu matris çarpımıyla işlenir:
n, d, h = 5, 8, 2
Q = X @ W_q # (5, 8)
Qh = Q.reshape(n, h, d // h).transpose(1, 0, 2) # (2, 5, 4)
skor = Qh @ Kh.transpose(0, 2, 1) / np.sqrt(d // h) # (2, 5, 5)
Yh = softmax(skor) @ Vh # (2, 5, 4)
Y = Yh.transpose(1, 0, 2).reshape(n, d) # (5, 8)
PyTorch'ta nn.MultiheadAttention(embed_dim, num_heads) bunların hepsini yapar.
Uygulama Çok başlı dikkat
Verilen X (5×8) ve ağırlıklarla 2 başlı dikkat hesapla: Q, K, V'yi başlara böl, ölçekli dikkat uygula, birleştir. Qh.shape, başların ağırlık matrisinin şekli ve birleşik çıktının şeklini aynı satırda yazdır. Ardından her başın ağırlık satırlarının toplamının 1 olduğunu np.allclose ile yazdır.
Örnek çözümü göster
import numpy as np
def softmax(z, eksen=-1):
e = np.exp(z - z.max(axis=eksen, keepdims=True))
return e / e.sum(axis=eksen, keepdims=True)
rng = np.random.default_rng(0)
n, d, h = 5, 8, 2
X = rng.normal(size=(n, d))
W_q, W_k, W_v = rng.normal(size=(3, d, d))
bol = lambda M: M.reshape(n, h, d // h).transpose(1, 0, 2)
Qh, Kh, Vh = bol(X @ W_q), bol(X @ W_k), bol(X @ W_v)
A = softmax(Qh @ Kh.transpose(0, 2, 1) / np.sqrt(d // h), eksen=-1)
Y = (A @ Vh).transpose(1, 0, 2).reshape(n, d)
print(Qh.shape, A.shape, Y.shape)
print(np.allclose(A.sum(axis=-1), 1))
Kendini test et
-
d_model = 768 ve 12 baş varsa her başın boyutu nedir?
Cevabı göster
64 — 768 / 12 = 64 (BERT-base'in ayarı).
-
Temsili başlara böl.
Qh = Q.reshape(n, h, d // h).____(1, 0, 2)
Cevabı göster
Qh = Q.reshape(n, h, d // h).transpose(1, 0, 2)
-
Şekilleri eşleştir (n=5, d=8, h=2).
- Q
- (5, 8)
- Qh
- (2, 5, 4)
- skor
- (2, 5, 5)
- d // h
- 4
Sıradaki ders: Özet - Attention
