Transformer中的Q，K，V

Query，Key，Value的概念取自于信息检索系统，举个简单的搜索的例子来说。当你在某电商平台搜索某件商品（年轻女士冬季穿的红色薄款羽绒服）时，你在搜索引擎上输入的内容便是Query，然后搜索引擎根据Query为你匹配Key（例如商品的种类，颜色，描述等），然后根据Query和Key的相似度得到匹配的内容（Value)。
来源：https://zhuanlan.zhihu.com/p/48508221

Q，K，V

编辑多头注意力机制

Q，K，V

可以参考下图，每一个单词都有QKV这三个向量，这里运用了注意力机制，也有是会去求其他单词和该单词的匹配度，那Q表示的就是与我这个单词相匹配的单词的属性，K就表示我这个单词的本身的属性，V表示的是我这个单词的包含的信息本身。

这三个向量都是对embedding线性运算得到的，其实就是一个矩阵乘法。参考第一张图。

注意力Attention机制的最核心的公式为： $softmax(\tfrac{QK^T}{\sqrt{d_{k}}})V$ 。Transformer论文中将这个Attention公式描述为：Scaled Dot-Product Attention。其中，Q为Query、K为Key、V为Value。Q、K、V是从哪儿来的呢？Q、K、V其实都是从同样的输入矩阵X线性变换而来的。我们可以简单理解成：

$Q=XW^Q\\ K=XW^K\\ V=XW^V\\$

用图片演示为：

X分别乘以三个矩阵，生成Q、K、V矩阵

其中 $W^Q$ ， $W^K$ ， $W^V$ ，和是三个可训练的参数矩阵。输入矩阵 $X$ 分别与 $W^Q$ ， $W^K$ ， $W^V$ 相乘，生成 $Q$ 、 $K$ ， $V$ ，相当于经历了一次线性变换。Attention不直接使用 $X$ ，而是使用经过矩阵乘法生成的这三个矩阵，因为使用三个可训练的参数矩阵，可增强模型的拟合能力。

$Q$ 与 $K^T$ 经过MatMul，生成了相似度矩阵。对相似度矩阵每个元素除以 $\sqrt{d_{k}}$ ， $d_{k}$ 为 $K$ 的维度大小。这个除法被称为Scale。当 $d_{k}$ 很大时， $QK^T$ 的乘法结果方差变大，进行Scale可以使方差变小，训练时梯度更新更稳定。

国外博主的计算流程：

多头注意力机制

为了增强拟合性能，Transformer对Attention继续扩展，提出了多头注意力（Multiple Head Attention）。刚才我们已经理解了 $Q$ ， $K$ 、 $V$ 、是输入 $X$ 与 $W^Q$ 、 $W^K$ 和 $W^V$ 分别相乘得到的， $W^Q$ 、 $W^K$ 和 $W^V$ 是可训练的参数矩阵。现在，对于同样的输入 $X$ ，我们定义多组不同的 $W^Q$ 、 $W^K$ 和 $W^V$ ，比如 $W^Q_0$ 、 $W^K_0$ 、 $W^V_0$ ， $W^Q_1$ 、 $W^K_1$ 和 $W^V_1$ 和，每组分别计算生成不同的 $Q$ ， $K$ ， $V$ 最后学习到不同的参数。