Transformer中的多头注意力机制-为什么需要多头？

Transformer为什么使用多头注意力机制呢？

多头可以学习到不同维度的特征和信息。为什么可以学习到不同维度的信息呢？

答案是：多头注意力机制的组成是有单个的self attention，由于self attention通过产生QKV矩阵来学习数据特征，那每一个self attention最终会产生一个维度上的输出特征，所以当使用多头注意力机制的时候，模型就可以学习到多维度的特征信息，这使得模型可以从多个维度更好的理解数据。同时多头注意力机制还是并行计算的，这也符合现在硬件架构，提升计算效率。详细说明请看下文。

首先，要明确的是multi head attention的组成是单个的self attention。我们先理解self attention的计算过程。

self attention的计算如左下图所示：其中QKV的来源是将输入X进行线性变换，产生三个不同的权重矩阵，如右下图所示，然后这三个矩阵依次和输入x做矩阵点乘运算得到了QKV，

最后通过下面这个式子的可以得到self attention的输出，我们可以将其理解为一个维度上的特征信息。

而多头注意力机制的如下图，允许模型从不同的子空间关注多个不同的位置（上图中的QKV的来源文件中矩阵是生成了，可学习的，）从而捕捉不同级别的特征和信息，使得每个头可以学习到不同的关系，这使得模型可以从不同的角度理解数据。

几个问题：

1、Q和K为什么使用不同的权重矩阵生成？为什么不能使用同一个值进行自身的点乘运算？

回答：1）使用不同的权重举证可以增加模型的表达能力，不同的权重矩阵允许模型在不同的空间中学习和匹配不同的特征。2）不同的权重矩阵可以使模型更好的参数化，学习到更多的信息而不是仅仅依赖一个权重矩阵。

2、self attention中为什么是点乘而不是add？二者复杂度上有什么区别？

回答：点乘注意力通常在实践中表现更好，可能是因为计算简单和高效。点乘复杂度为O(d*n^2)其中d是特征维度，n是序列长度。

3、transformer的encoder结构

回答：encoder由多个相同的block组成，如下图所示，每个block中包含由两个模块，multi head attention和feed forward模块。每个模块中都含有一个残差连接和归一化层。