深度学习中的注意力机制（Attention Mechanism）是一种模仿人类视觉和认知系统的方法，它允许神经网络在处理输入数据时集中注意力于相关的部分。通过引入注意力机制，神经网络能够自动地学习并选择性地关注输入中的重要信息，提高模型的性能和泛化能力。
  下图 展示了人类在看到一幅图像时如何高效分配有限注意力资源的，其中红色区域表明视觉系统更加关注的目标，从图中可以看出：人们会把注意力更多的投入到人的脸部。文本的标题以及文章的首句等位置。而注意力机制就是通过机器来找到这些重要的部分。

一、自定义多头注意力机制

1. Scaled Dot-Product Attention

  在实际应用中，经常会用到 Attention 机制，其中最常用的是Scaled Dot-Product Attention，它是通过计算query和key之间的点积 来作为 之间的相似度。
Scaled 指的是 Q和K计算得到的相似度 再经过了一定的量化，具体就是 除以 根号下K_dim；
Dot-Product 指的是 Q和K之间 通过计算点积作为相似度；
Mask 可选择性 目的是将 padding的部分 填充负无穷，这样算softmax的时候这里就attention为0，从而避免padding带来的影响.

2. 多头注意力机制框图

  多头注意力机制是在 Scaled Dot-Product Attention 的基础上，分成多个头，也就是有多个Q、K、V并行进行计算attention，可能侧重与不同的方面的相似度和权重。

（1）计算公式

（2）具体计算过程

①计算注意力得分：根据Query和Key计算两者的相似性或相关性。常见方法：求两者的向量点积（内积）。
②对注意力得分进行softmax归一化处理。
③输出：根据权重系数对value进行加权求和。

（3）具体代码

import torch
import torch.nn as nn
import numpy as np
import torch.nn.functional as Fclass MultiHeadAttention(nn.Module):#embedding_dim：输入向量的维度，num_heads：注意力机制头数def __init__(self, embedding_dim, num_heads):super(MultiHeadAttention, self).__init__()self.num_heads = num_heads       #总头数self.embedding_dim = embedding_dim   #输入向量的维度self.d_k= self.embedding_dim// self.num_heads  #每个头 分配的输入向量的维度数self.softmax=nn.Softmax(dim=-1)self.W_query = nn.Linear(in_features=embedding_dim, out_features=embedding_dim, bias=False)self.W_key = nn.Linear(in_features=embedding_dim, out_features=embedding_dim, bias=False)self.W_value = nn.Linear(in_features=embedding_dim, out_features=embedding_dim, bias=False)self.fc_out = nn.Linear(embedding_dim, embedding_dim)#输入张量 x 中的特征维度分成 self.num_heads 个头，并且每个头的维度为 self.d_k。def split_head(self, x, batch_size):x = x.reshape(batch_size, -1, self.num_heads, self.d_k)return x.permute(0,2,1,3)   #x  (N_size, self.num_heads, -1, self.d_k)def forward(self, x):batch_size=x.size(0)  #获取输入张量 x 的批量（batch size）大小q= self.W_query(x)  k= self.W_key(x)  v= self.W_value(x)#使用 split_head 函数对 query、key、value 进行头部切分，将其分割为多个注意力头。q= self.split_head(q, batch_size)k= self.split_head(k, batch_size)v= self.split_head(v, batch_size)##attention_scorce = q*k的转置/根号d_kattention_scorce=torch.matmul(q, k.transpose(-2,-1))/torch.sqrt(torch.tensor(self.d_k, dtype=torch.float32))attention_weight= self.softmax(attention_scorce)## output = attention_weight * Voutput = torch.matmul(attention_weight, v)  # [h, N, T_q, num_units/h]output  = out.permute(0,2,1,3).contiguous() # [N, T_q, num_units]output  = out.reshape(batch_size,-1, self.embedding_dim)output  = self.fc_out(output)return output

  

二、pytorch中的子注意力机制模块

  nn.MultiheadAttention是PyTorch中用于实现多头注意力机制的模块。它允许你在输入序列之间计算多个注意力头，并且每个头都学习到了不同的注意力权重。
  创建了一些随机的输入数据，包括查询（query）、键（key）、值（value）。接着，我们使用multihead_attention模块来计算多头注意力，得到输出和注意力权重。
  请注意，你可以调整num_heads参数来控制多头注意力的头数，这将会影响到模型的复杂度和表达能力。

import torch
import torch.nn as nn# 假设我们有一些输入数据
# 输入数据形状：(序列长度, 批量大小, 输入特征维度)
input_seq_length = 10
batch_size = 3
input_features = 32# 假设我们的输入序列是随机生成的
input_data = torch.randn(input_seq_length, batch_size, input_features)# 定义多头注意力模块
# 参数说明：
#   - embed_dim: 输入特征维度
#   - num_heads: 多头注意力的头数
#   - dropout: 可选，dropout概率，默认为0.0
#   - bias: 可选，是否在注意力计算中使用偏置，默认为True
#   - add_bias_kv: 可选，是否添加bias到key和value，默认为False
#   - add_zero_attn: 可选，是否在注意力分数中添加0，默认为False
multihead_attention = nn.MultiheadAttention(input_features, num_heads=4)# 假设我们有一个query，形状为 (查询序列长度, 批量大小, 输入特征维度)
query = torch.randn(input_seq_length, batch_size, input_features)# 假设我们有一个key和value，形状相同为 (键值序列长度, 批量大小, 输入特征维度)
key = torch.randn(input_seq_length, batch_size, input_features)
value = torch.randn(input_seq_length, batch_size, input_features)# 计算多头注意力
# 返回值说明：
#   - output: 注意力计算的输出张量，形状为 (序列长度, 批量大小, 输入特征维度)
#   - attention_weights: 注意力权重，形状为 (批量大小, 输出序列长度, 输入序列长度)
output, attention_weights = multihead_attention(query, key, value)# 输出结果
print("Output shape:", output.shape)
print("Attention weights shape:", attention_weights.shape)