Attention 为什么出现

从 Bit 到 AGI · 第四章：神经元（Neuron） · Attention 为什么出现

LSTM 把信息压缩进固定长度向量 $h$ ，解码长句时像「把整个句子塞进一个手提箱」——容量瓶颈。Attention 允许解码第 $t$ 步直接查看编码器所有位置，用可学习的权重加权求和。路径长度从 $O(n)$ 降到 $O(1)$ ，这是 Transformer 与 modern LLM 的核心动机。

直觉

开卷考试 vs 闭卷：RNN 编码器闭卷，只带摘要 $h$ ；Attention 开卷，每写一个字都可以翻回原文任意句。对齐「它」指代哪个人，不必靠 $h$ magically 记住——算一遍相似度即可。

定义

加性 Attention（Bahdanau, 2015）：

e_{ti} = v^\top \tanh(W_s s_{t-1} + W_h h_i), \quad \alpha_{ti} = \frac{\exp(e_{ti})}{\sum_j \exp(e_{tj})}, \quad c_t = \sum_i \alpha_{ti} h_i

缩放点积 Attention（Transformer 基础）：

\mathrm{Attention}(Q,K,V) = \mathrm{softmax}\!\left(\frac{QK^\top}{\sqrt{d_k}}\right) V

$Q$ ：查询（我想找什么）
$K$ ：键（各位置的标签）
$V$ ：值（各位置的内容）
$\alpha_{ti}$ ：注意力权重， $\sum_i \alpha_{ti}=1$

例子

例 1：手算 3 位置注意力

$d_k=2$ ，一个 query，三个 key/value：

import numpy as np

def softmax(x):
    e = np.exp(x - x.max())
    return e / e.sum()

Q = np.array([[1.0, 0.0]])
K = np.array([[1.0, 0.0],
              [0.0, 1.0],
              [1.0, 1.0]])
V = np.array([[10.0, 0.0],
              [0.0, 20.0],
              [5.0, 5.0]])

scores = Q @ K.T / np.sqrt(2)   # [0.707, 0, 0.707]
alpha = softmax(scores)         # [0.401, 0.198, 0.401]
context = alpha @ V
print(f"α={alpha.round(3)}, context={context.round(2)}")

Query 与位置 0、2 的 key 更相似 → 输出偏向 10 与 (5,5) 的混合。

例 2：路径长度对比

机制	位置 $i$ 到 $j$ 的信息路径	最长路径
RNN	需经 $\\|i-j\\|$ 步传播	$O(n)$
Attention	一步 $\alpha_{ij}$ 连边	$O(1)$

序列长 $n=512$ ：RNN 有效梯度路径 512 步；Self-Attention 一步可达任意对。

例 3：机器翻译对齐

「我 / love / you」→「我 / 爱 / 你」：生成「爱」时 $\alpha$ 峰值常在「love」——可视化注意力矩阵呈对角线。

量化

Self-Attention 一层（单头）： $Q,K,V \in \mathbb{R}^{n \times d}$ ， $QK^\top$ 为 $n^2 d$ MAC； $n=2048, d=64$ → $\approx 268$ M MAC/头/层
内存：注意力矩阵 $n \times n$ ， $n=4096$ float32 → 64 MB/头（训练存多份）
Multi-Head： $h$ 头并行， $d_{\text{model}} = h \cdot d_k$ ；GPT-3 96 层 × 96 头量级
2017 Transformer 英德 WMT：BLEU 28.4，训练成本低于 LSTM seq2seq 大集群

第五章会展开 QKV、Multi-Head 与 Transformer 块。本章只需记住：Attention = 软寻址 + 内容寻址 的加权读。

常见误区

「Attention = 人类注意力」——是可微的加权平均，无 consciousness。
「Attention 权重 = 解释性」——相关不等于因果；解释需额外方法。
「Attention 取代 RNN 因 RNN 慢」—— $O(n^2)$ 的 Attention 在长序列上也可更慢；胜在并行与长程。

动手试一试

实现缩放点积 attention：

import numpy as np

def scaled_dot_product_attention(Q, K, V):
    d_k = Q.shape[-1]
    scores = Q @ K.T / np.sqrt(d_k)
    weights = softmax(scores)
    return weights @ V, weights

Q = np.random.randn(4, 8)   # 4 个 token, d=8
K = np.random.randn(4, 8)
V = np.random.randn(4, 8)
out, w = scaled_dot_product_attention(Q, K, V)
print(out.shape, w.shape)    # (4,8), (4,4)
print(w.sum(axis=1))         # 每行和为 1

Self-Attention vs Cross-Attention

Self-Attention： $Q,K,V$ 来自同一序列——每个 token 看全句其他 token（GPT 解码器 masked 版本只看左侧）。
Cross-Attention： $Q$ 来自 decoder， $K,V$ 来自 encoder——翻译时 decoder 查源句。

两者数学形式相同，只是 $Q,K,V$ 的来源不同。Transformer 编码器只用 self-attention；原始 seq2seq Transformer 解码器两种都有。

RNN 第 $t$ 步依赖 $h_{t-1}$ ，无法并行时间维。Self-Attention 一次矩阵乘 $QK^\top$ 算齐所有位置对——训练可完全并行，GPU 利用率高。代价是 $O(n^2)$ 内存与计算； $n=8192$ 时 attention 矩阵 67M 元素/头，促生 FlashAttention、稀疏 Attention、线性 Attention 等优化（第八章推理专题）。

Luong vs Bahdanau Attention

Bahdanau（additive）： $e_{ti}=v^\top\tanh(W_s s_t + W_h h_i)$ ——MLP 打分。Luong（dot/multiplicative）： $e_{ti}=s_t^\top h_i$ 或 $s_t^\top W h_i$ ——更省算力。Transformer 用 scaled dot-product 是 Luong 系扩展。

Attention 可视化：热力图 $\alpha_{ti}$ 常呈 近似对角（对齐翻译）；但 注意力 ≠ 解释——权重可转移，因果解释需 caution。

Sparse Attention（Longformer、BigBird）：只算局部 + 全局 token 子集，把 $O(n^2)$ 降到近线性——长文档 LLM 工程必知（第八章）。

动手与阅读建议

建议对照 PyTorch 文档 torch.nn 模块，把本篇公式与 Linear、ReLU、LSTM、MultiheadAttention 的 forward 签名一一对应。读论文时先圈出 张量 shape（如 $(B, T, d)$ ）再读公式，比死记符号快得多。

若训练 loss 不降：先画 train loss 曲线（逐步、非 epoch 平均），看是震荡、plateau 还是 NaN。NaN 从 lr 减半 与 gradient clip 开始试；plateau 查 wd 是否过大 或 数据是否标错。验证集只用于 选超参，勿反复调 test。

本章内容在第五章 Transformer 会全部复现：QKV 是 Attention，FFN 是 MLP，Pre-LN 是 LayerNorm。掌握本章 = 读 GPT 论文的最低门槛。完成 MNIST 或 XOR 小实验（CPU 即可）再进入下一章，手感差异很大。

术语对照（中英）

Neuron/Unit 神经元；Activation 激活函数；Hidden layer 隐藏层；Logit 预激活 $z$ ；Embedding 把离散 id 映射为连续向量；Epoch 全数据扫一遍；Iteration/Step 一个 batch 更新一次；Learning rate 学习率 $\eta$ ；Weight decay 权重衰减（L2 或 AdamW）；Fine-tune 微调预训练权重。读英文文档时这些词与中文教材一一对应，避免混用「单元/神经元/节点」造成概念漂移。

算力与显存（复习）

参数量 $P$ 个 float32 权重约占 $4P$ 字节。训练显存粗估：权重 + 梯度 + 优化器状态（Adam 约 $3\times$ 权重）+ 激活（与 batch、序列长度、层数成正比）。推理 mainly 权重 + KV cache（生成式 LLM）。先会估算 $P$ 和一次 forward 的 FLOPs，再读第九章 GPU 与第七章分布式，数字才能对齐。

下一篇链接在文末小结中；建议按 meta.json 顺序阅读，跳读易漏掉「RNN 消失 → LSTM → Attention」这条叙事链。遇到公式卡住，回第二章查链式法则与 softmax。

量化自检：本篇至少包含两个带数字的例子（参数量、FLOPs、梯度量级或准确率）。复现时请用自己的随机种子跑代码，核对数量级一致即可，不必逐位相同——浮点顺序会导致末位差异。

写笔记时用一句话概括本篇核心定理或结论，便于复习。

2017 年「Attention Is All You Need」标题即宣言：递归可完全移除，Attention 足以担纲序列建模。

本章各篇互有引用，建议开侧边栏按顺序阅读，形成完整知识链。

Cross-attention 在 Stable Diffusion 里连接文本与图像 latent，是同一机制的跨模态实例。

阅读第五章时请对照本篇的 scaled dot-product 公式与 QKV 符号。

小结

Attention 出现因为：固定瓶颈 $h$ 不够、长程路径要短、训练要并行。它从 seq2seq 对齐机制长成 Self-Attention，统一了 NLP 与 CV 的主干——通向 Transformer 与 GPT。

→ 下一篇：前向传播是什么

直觉

定义

例子

量化