Self‑Attention（自注意力）通俗 + 原理完整讲解
一、核心作用
自注意力是 Transformer 模型的核心模块，目的：序列里面每一个 Token（单词、文字、向量），和序列里全部 Token 计算关联强弱，给自己分配不同权重，从而捕捉长距离依赖关系。 举例： 句子：He didn't finish his homework because he was tired传统 RNN 按顺序读取，相隔很远的两个 he 很难建立联系； Self‑Attention 可以直接让第二个 he 快速关联前面的 He，无视距离远近。
二、三个核心向量：Q Query 查询、K Key 键、V Value 值
输入每一个词的嵌入向量x，分别乘 3 组可训练权重矩阵 WQ,WK,WV，得到：
QKV=x⋅WQ=x⋅WK=x⋅WV
- Q：当前这个词要去寻找谁；
- K：其余单词提供自身信息；
- V：真正用来提取特征的值向量。
简单大白话：Q 拿着问题，挨个匹配 K，匹配分数决定取用 V 的多少。
三、计算步骤（标准缩放点积注意力公式）
步骤 1：计算相似度得分
某一个 Token 的 Q 和全部 Token 的 K 做内积：QKT。 内积结果越大代表两个单词相关性越高。
步骤 2：Scale 缩放（除以dk）
dk代表 Q、K 向量维度。向量维度很高时内积数值会变得极大，经过 Softmax 之后梯度会极小，模型很难训练。除以dk把数值压小，梯度恢复正常。
score=dkQKT
步骤 3：可选‑Mask 掩码
- 编码器 (Encoder‑BERT)：无 mask，可以看到整句话全部内容；
- 解码器 (Decoder‑GPT)：加入上三角 Mask，让第i个 token 看不到后面未来的 token，防止提前看到后文。
步骤 4：Softmax 归一化
对每一行做 softmax，所有分数变成 0‑1 之间的权重，一行所有权重总和等于 1：
A=Softmax(dkQK⊤) 矩阵A就是注意力权重矩阵。Aij代表第i个 token 对第j个 token 的关注程度。
步骤 5：加权 Value 得到输出
注意力权重乘以 V 矩阵，把其他单词的信息加权汇总到当前单词：
Output=A⋅V 之后再过一层线性层和残差连接 + LayerNorm。
四、多头自注意力 Multi‑Head‑Attention（拓展）
把 Q、K、V 拆分到h个 head 分头计算自注意力：
- 将 Q,K,V 均匀切分；
- 每个 head 独立算 self‑attention；
- 把每个头的结果拼接起来再乘输出矩阵； 好处：
- 不同头捕捉不一样类型关联：语法关系、指代关系、位置关系；
- 特征空间多元化，表达能力更强。
五、数学公式精简版（官方公式）
Attention(Q,K,V)=Softmax(dkQK⊤)VMultiHead(Q,K,V)=Concat(head1,...,headh)WO
六、Self‑Attention 对比 RNN、CNN 优缺点
优点
- 全局视野：任意位置 token 直接交互，轻松捕捉长距离依赖，RNN 距离太远信息衰减严重；
- 完全并行计算：RNN 必须顺序逐个计算；Self‑Attention 整段序列一起运算，GPU 利用率极高；
- 动态分配权重：上下文不同，关注重点自动变化（一词多义天然解决）。
缺点
- 时间复杂度 O(n2)，文本很长时n变大，算力消耗爆炸；
- 本身不内置位置信息，必须额外加入位置编码 Positional Encoding区分词语先后顺序。
七、极简生活化例子
句子：I drank coffee
- token‑I：Q 查询，和 K (I、drank、coffee) 打分；发现和 drank 关联性更高；
- token‑coffee 重点关联 drank； 自注意力自动学到：coffee 是 drank 的宾语。
八、区分概念
- Self‑Attention：Q、K、V 全部来自同一组输入（BERT、GPT）；
- Cross‑Attention（交叉注意力）：Q 来自解码器，K、V 来自编码器，用于翻译模型，Q 和另一序列做匹配。