自注意机制

自注意力机制是一种用于计算输入序列中任意两个位置之间的关系的机制。它可以捕获输入序列中的远程依赖关系，这使得它在处理自然语言等顺序数据时具有优势。

自注意力机制的计算过程如下：

1. 将输入序列中的每个位置转换为一个向量。
2. 计算每个位置与其他位置之间的注意力权重。
3. 根据注意力权重，对每个位置的输入向量进行加权。
4. 将加权后的输入向量作为输出。

在计算注意力权重时，通常使用以下公式：
attention = softmax(q * k)
其中，q 是输入向量，k 是注意力键，v 是注意力值。softmax 函数用于将注意力权重归一化到 [0, 1] 区间内。

自注意力机制具有以下优势：

• 可以捕获输入序列中的远程依赖关系。
• 可以并行计算，这使得它可以更快地训练大型模型。
• 具有较强的泛化能力，这使得它可以应用于多种任务。

自注意力机制在自然语言处理领域的应用包括：

• 机器翻译：自注意力机制可以用于机器翻译，这可以帮助翻译器从源语言中获取上下文信息来生成目标语言。
• 文本摘要：自注意力机制可以用于文本摘要，这可以帮助提取文本的关键信息。
• 问答系统：自注意力机制可以用于问答系统，这可以帮助回答用户的问题。

自注意力机制在计算机视觉领域的应用包括：
图像分类：自注意力机制可以用于图像分类，这可以帮助计算机识别图像中的物体。
图像生成：自注意力机制可以用于图像生成，这可以帮助计算机创建逼真的图像。
视频分析：自注意力机制可以用于视频分析，这可以帮助计算机理解视频中的事件。

自注意力机制是一种强大的工具，它在自然语言处理和计算机视觉等领域得到了广泛应用。随着技术的不断发展，自注意力机制将在更多领域得到应用，并为人们的生活带来更多便利。
代码如下：

import torch.nn as nn
import torch
import matplotlib.pyplot as plt


class Self_Attention(nn.Module):
    def __init__(self, dim, dk, dv):
        super(Self_Attention, self).__init__()
        self.scale = dk ** -0.5
        self.q = nn.Linear(dim, dk)
        self.k = nn.Linear(dim, dk)
        self.v = nn.Linear(dim, dv)

    def forward(self, x):
        q = self.q(x)
        k = self.k(x)
        v = self.v(x)

        attn = (q @ k.transpose(-2, -1)) * self.scale
        attn = attn.softmax(dim=-1)

        x = attn @ v
        return x


att = Self_Attention(dim=2, dk=2, dv=3)
x = torch.rand((1, 4, 2))
output = att(x)