多头注意力与位置表示

先固定四条轴

设查询输入 $X_q\in\mathbb R^{B\times N_q\times d_{\mathrm{model}}}$，键值输入 $X_{kv}\in\mathbb R^{B\times N_k\times d_{\mathrm{model}}}$。$B$ 是批量，$N_q$ 是查询长度，$N_k$ 是可读取的键值长度。自注意力中两输入通常相同且 $N_q=N_k$；交叉注意力中查询和键值来自不同序列，长度可不同。

取 $H$ 个头，每头键维 $d_k$、值维 $d_v$。投影并重排后

实现可为每头存独立矩阵，也可一次线性映射到 $Hd_k$ 或 $Hd_v$ 后 reshape；数学形状相同。reshape 只重新解释内存，transpose 才交换轴。若先 reshape 却漏掉头与序列轴转置，矩阵乘法可能仍运行，却会把不同头或 token 错配。

缩放点积在键轴上归一

每头分数与输出为

softmax 必须沿最后的键轴，使每个批次、头和查询行的可见键权重和为一。若 $Q,K$ 各坐标近似独立、均值零、方差一，点积方差约为 $d_k$；除以 $\sqrt{d_k}$ 让分数标准差保持常数量级，减少大维度下 softmax 过早饱和。这是初始化近似，不保证训练后分数方差恒定。

数值实现先减去每行最大有效分数再指数化。被遮蔽位置不能只减一个不够大的常数，否则低精度或大 logit 下仍有非零权重；使用布尔掩码交给稳定内核更可靠。

多头在不同投影子空间并行汇聚

每个头有自己的 $W_h^Q,W_h^K,W_h^V$，可学习不同相似度和信息投影。各头输出 $O_h\in\mathbb R^{B\times N_q\times d_v}$，沿特征轴拼接为 $B\times N_q\times Hd_v$，再乘

返回模型宽度。常取 $Hd_k=Hd_v=d_{\mathrm{model}}$，但这只是常见设计；不满足时只要投影形状闭合仍可计算。

多头不保证自动“一个头学语法、一个头学位置”。头可能冗余、平均或被输出投影混合。解释头功能需要干预、消融和多样本稳定性，不能只凭一张权重图。增加头数且总宽固定会减小每头维度，表达分解与数值分辨率存在权衡。

头数不必改变主投影参数量

若 $Hd_k=Hd_v=d_{\mathrm{model}}=d$，融合的 Q、K、V 投影各有约 $d^2$ 个权重，输出投影再有 $d^2$，忽略偏置共约 $4d^2$。把八头改为十六头而保持总宽 $d$，通常只是每头维度减半，主投影参数量不变；若同时扩大总宽，参数和前馈层成本才显著增加。

自注意力的三个输入相同并不意味着三个投影可省略或共享。Q 决定“我要找什么”，K 决定“我如何被匹配”，V 决定“被选中后传递什么”；强行共享改变假设类。交叉注意力中 Q 投影作用于解码表示，K/V 投影作用于编码表示，来源和缓存生命周期不同。

参数核对还要包含偏置、输出投影和位置参数。学习式绝对位置表增加 $L_{\max}d$ 个参数，相对偏置可能按头和距离桶增加；正弦位置没有学习参数，旋转位置通常也没有位置表参数。参数少不等于计算少，注意力矩阵仍由序列长度决定。

随机失活不能恢复被mask的位置

注意力 dropout 常在 softmax 权重上对有效连接随机失活并按保留概率缩放，输出投影后还可有另一层 dropout。训练时保留下来的权重行不一定再和为一，但条件期望保持原加权输出；推理时关闭随机失活。padding 和因果 mask 必须在随机失活前生效，且被结构遮蔽位置始终为零，不能因缩放重新出现。

梯度检查时要固定 dropout 掩码，缓存重计算也要恢复同一随机状态。若查看注意力图，应说明显示的是失活前概率、失活后权重还是跨头平均；三者含义不同。对长序列，随机删除少数连接的影响也随每行有效键数变化，强度需要按任务验证。

三个不变量可快速定位轴错误

第一，每个有效查询、每个头在失活前的可见键权重和应接近一；第二，结构遮蔽位置权重应严格为零；第三，改变某个被遮蔽键的 K 与 V，不应改变该查询输出。再配合 $N_q\ne N_k$、不同批长度和非对称数值，就能暴露许多广播和转置错误。

反向形状也应闭合：$\bar O$ 与头输出同形，乘 $V^\top$ 得分支梯度，softmax VJP 仍沿键轴耦合。只检查前向权重热图不能证明 Q、K、V 投影梯度正确，应在小张量上做有限差分或方向导数核验。

padding mask 只遮无效键

批内序列补齐后，键 padding mask 常从 $B\times N_k$ reshape 为 $B\times1\times1\times N_k$，广播到所有头和查询。它阻止有效查询读取填充键。若查询位置本身是 padding，还需在输出或损失处遮蔽该查询；只遮键不会自动令填充查询输出为零。

mask 的真值语义要核对：有的接口中真表示保留，有的表示遮蔽。加性 mask 通常在遮蔽处加负无穷，在有效处加零。若某查询一整行键都被遮蔽，softmax 得到无定义的零除或非有限值；应保证至少一个合法键，或对该查询走显式零输出路径。

因果 mask 阻止读取未来位置

自回归位置 $i$ 只能读取不晚于 $i$ 的键。长度 $N$ 的因果 mask 是下三角可见关系：当 $j\le i$ 时允许查询 $i$ 读取键 $j$，否则遮蔽。其基本形状可为 $1\times1\times N\times N$，再与 padding mask 取逻辑合并。

编码器双向自注意力通常不使用因果 mask，只用 padding。解码器交叉注意力读取完整已编码源序列，通常也只遮源 padding；目标因果性由解码器自注意力负责。把因果 mask 错加到交叉注意力会无依据限制源信息。

没有位置表示，置换后的内容难以区分顺序

纯自注意力在不加位置且相应置换输入时，输出按同样方式置换，本身不提供绝对顺序。位置表示把索引或相对位移注入投影与分数。方法不仅影响训练长度内拟合，也决定缓存偏移和超长序列如何定义。

绝对位置向量可与 token 表示相加。学习式表为每个索引保存参数，简单直接，但索引超过表长没有定义，扩展表或插值会改变模型。固定正弦编码用不同频率的正弦余弦对表示位置，任意整数位置在数学上可计算，且相对位移可由三角恒等式关联；这不等于模型训练外长度必然可靠。

相对位置直接修改成对关系

相对位置偏置把 $b_{i-j}$ 或分桶后的 $b_{\operatorname{bucket}(i-j)}$ 加到查询 $i$、键 $j$ 的分数。它直接表达“相距多少”与方向，可在平移序列时保持关系。有限表通常裁剪远距离或把它们分桶，因此远处多个距离可能共享一个偏置；所谓外推是由这条共享规则定义，不表示能分辨所有长距离。

相对位置也可进入键和值的表示，而不只加标量偏置。不同形式的缓存需求和计算成本不同，迁移权重时必须匹配公式。若只给绝对位置而训练数据总从索引零开始，模型可能依赖绝对槽位；随机位置偏移可作为训练策略，但也改变数据分布。

旋转位置让点积包含相对相位

旋转位置表示把查询和键的相邻维度对按位置相关角度旋转。二维旋转矩阵满足 $R(i)^\top R(j)=R(j-i)$，所以旋转后查询键点积显式依赖相对位移。通常旋转 Q 与 K，不必旋转 V；头维需能按成对通道组织，并要记录频率基和位置偏移。

缓存解码中，新 token 的 Q/K 必须使用全局位置而不是缓存内从零重新编号；拼接前缀、滑动窗口或分块时尤其易错。扩展到训练外长度时，旋转公式仍可求值，但高频相位、低频覆盖和注意模式都可能失配。位置缩放或频率重参数化改变了相对几何，需要重新验证，不能只以“不报错”作为外推成功。

长度与成本边界

标准注意力分数张量含 $BN_qN_kH$ 个元素，核心点积计算约为 $O(BHN_qN_kd_k)$。自注意力 $N_q=N_k=N$ 时对长度呈平方增长。多头在总宽固定时不消除 $N^2$，只是重排子空间；显式 materialize mask 也可能额外占平方内存。

长度外推前检查四层边界：位置索引是否定义，因果与 padding mask 是否支持新尺寸，数值内核和缓存位置是否正确，模型是否在新距离上保持任务质量。学习式绝对表越界是硬失败；正弦、相对或旋转表示能计算只是软前提。应按长度分组报告损失、检索距离和延迟，不把训练内平均分外推。

练习

关系与资源

• 注意力机制 提供查询键值与加权汇聚基础。
• 矩阵乘法 支持批量点积和投影形状。
• 三角函数 解释正弦与旋转位置结构。
• 编码器、解码器与Transformer架构 组装多头子层和掩码。
• 视觉Transformer与混合架构 把位置与多头机制用于图像token。
• 长序列、效率与Transformer综合复习 比较长度与缓存边界。