Transformer灵魂1问：如何理解Attention中的Q,K,V？你会了吗？一文讲清楚

大家都知道Transfomer的自注意力核心是 “通过Q/K/V计算token间关联权重，融合全局上下文”。

那为什么计算多次Q*K的点积，就能得到得到token之间的相似度呢？WQ, Wk, Wv权重矩阵又是怎么来的？

在回答这个问题之前，再温习下Transformer自注意力机制的整体流程：

计算Attention的公式：

整体流程是这样的：

分词：

为了把文字变成模型能看懂的向量，Transformer首先会进行一个输入预处理，用分词工具譬如BPE(Byte Pair Encoding)将句子拆分为最小的语义单位TOKEN,是的，就是调用大模型按TOKEN收费的TOKEN。

Embedding:

每个TOKEN被编码为一个512维的词向量，也就是说一个向量用512个数表示，因为这些词向量是同时输入模型的，模型并不能判断出它们的先后顺序，所以，我们还需要给它们分别一个位置信息，以此来告诉模型这些词向量的先后顺序，这时我们就得到了一个形状为10*512的词向量组，这里就用x表示吧，那么模型又该如何通过x找到每个词之间的联系呢？当然是让这些词向量相互之间计算一下了。

注意力计算：

为了实现这一点，模型首先用三个权重矩阵WQ, Wk, Wv分别和每一个词向量相乘，进行线性变换得到维度不变的Q、K、V向量，其中Q(Query)为查询向量，它代表当前词想关注什么；K(Key)是键向量，它代表该词能为其它词提供什么信息或是关于什么的信息，你可以把k向量看做一个标签或索引；而V(Value)则是代表该词实际包含的信息内容，它是真正被检索和聚合的信息本身。 这里的w_q、w_k和w_v是可以通过训练过程学习的一组权重值。

当然，实际在计算机GPU中运算的时候，是通过拼接而成的大矩阵做乘法，得到的直接就是包含所有词向量的Q、K、V矩阵，并不是像我们刚刚那样，一步一步计算的。

假设第一个token得到的是Q1、K1、V1,第二个token得到的是Q2、K2、V2，依次类推。

接下来，我们让Q1和K2做点积，这表示在第一个词的视角里，第一个词和第二个词的相似度是多少。同理，依次和K3做点积，表示和第三个词的相似度，和K4做点积，表示和第四个词的相似度，...。最后再与自己做点积，表示和自己的相似度。

拿到这些相似度系数后，分别与V向量相乘。

为了让分数更合理， 我们将计算结果除以一个防止梯度爆炸的常数根号下DK就得到一组注意力分数， 然后再用Softmax函数进行归一化处理，就得到一组注意力权重。这组注意力权重代表着该词与其它每个词的关联程度，也就是相似度。

上面的看完了，再回到最初的问题：

问题1：为什么多次Q*K的点积，就能得到得到token之间的相似度呢？

是因为Tokernizer分词+Embedding+WQ, Wk, Wv打下了好的基础。

具体来说，向量语义编码的训练目标，从根源上强制让 “语义相似的文本” 对应 “方向相似的向量”。向量方向的相似性不是偶然，而是模型被刻意训练出来的 “特性”，后续的点积运算只是对这个特性的量化和利用。

向量点积能捕获真实语义的逻辑链是：

语义嵌入训练 → 语义相似的输入对应方向相近的向量 → 点积运算量化向量方向相似度 → 缩放保障高维下量化结果有效。

可以看到：不是点积运算 “创造” 了语义相似性，而是语义嵌入模型 “预设” 了语义相似性对应的向量方向特征，点积只是把这个预设的特征提取出来而已。

为什么点积可以把这个预设的特征提取出来？这是一个数学原理，如果两个高维向量越接近，它们的交乘数字就越可能更大，它们彼此之间对对方投入的「注意力」也就越大，在Attention这个地方就可以理解为两个Token越相关，语义越相似。

问题2：WQ, Wk, Wv权重矩阵如何获得？

不同的场景不同。

训练过程：WQ, Wk, Wv模型初始化时随机生成，作为模型参数。在训练中，通过反向传播和梯度下降算法，根据任务目标（如语言模型的下一个词预测）不断迭代优化，最终学习到能够有效计算注意力权重的投影方式。

推理过程：直接使用训练阶段学习并保存下来的、固定不变的WQ, Wk, Wv权重矩阵，对新的输入Token向量X进行线性变换以生成Q、K、V。

感兴趣的同学再来看看Attention机制在Transformer框架中的位置：

有感觉了没？懵懵懂懂在地方想通了没？