注意力机制的核心是动态加权求和，三要素为Query（查询）、Key（键）、Value（值）：Query与Key计算相似度得分数，softmax归一化为权重，再加权求和Value得到输出；自注意力通过全连接匹配突破距离限制，多头机制并行捕获多维特征；PyTorch手写实现含线性投影、缩放点积、softmax及加权求和；可视化注意力权重热力图可分析模型关注模式。
注意力机制不是让模型“看哪里”，而是让模型在处理信息时，动态分配不同权重——哪些词、哪些位置、哪些特征更关键，就给它更高权重。核心在于“加权求和”+“可学习的权重计算”。
注意力三要素：Query、Key、Value 是什么？
这是理解所有注意力变体的起点：
- Query（查询）：当前正在处理的单元（比如解码器中第t个时间步的隐藏状态），它在“问”：我该关注输入里的哪些部分？
- Key（键）：每个输入单元（如编码器每个时间步的输出）的“标签”，用于和 Query 匹配打分。
- Value（值）：每个输入单元真正携带的信息内容，最终被加权聚合的结果。
简单说：Query 和 Key 算相似度 → 得到注意力分数（attention scores）→ 归一化成权重（softmax）→ 加权求和 Value → 输出上下文向量。这个过程可微、可训练。
自注意力（Self-Attention）为什么能捕获长程依赖？
传统RNN/LSTM靠逐步传递隐藏状态，距离越远信号越弱；CNN靠局部感受野，需多层堆叠才能覆盖全局。而自注意力一步到位：
立即学习“Python免费学习笔记（深入）”；
- 序列中任意两个位置可以直接计算 Query-Key 分数，不受距离限制；
- 同一词在不同语境下获得不同权重（例如“bank”在“river bank”和“bank account”中关注的上下文完全不同）；
- 多个注意力头（Multi-Head）并行计算，让模型能同时关注语法、指代、情感等不同维度。
这也是 Transformer 能替代 RNN 成为大模型基座的关键原因。
如何用 PyTorch 手写一个基础注意力层？
不依赖 nn.MultiheadAttention，从零实现有助于理解每一步的张量形状和计算逻辑：
import torch import torch.nn as nn import torch.nn.functional as Fclass SimpleAttention(nn.Module): def init(self, dim): super().init() self.W_q = nn.Linear(dim, dim) self.W_k = nn.Linear(dim, dim) self.W_v = nn.Linear(dim, dim)
def forward(self, x): # x: [batch, seq_len, dim] Q = self.W_q(x) # [b, s, d] K = self.W_k(x) # [b, s, d] V = self.W_v(x) # [b, s, d] # 计算相似度（缩放点积） scores = torch.bmm(Q, K.transpose(1, 2)) / (K.size(-1) ** 0.5) # [b, s, s] attn_weights = F.softmax(scores, dim=-1) # 每行和为1 output = torch.bmm(attn_weights, V) # [b, s, d] return output, attn_weights
注意：实际训练中通常会加入 dropout、LayerNorm 和残差连接，构成一个完整的 Attention Block。
怎么可视化注意力权重，看出模型到底在“看”什么？
训练完模型后，提取某次前向传播中的 attention_weights（形状为 [batch, heads, seq_len, seq_len]），可做如下分析：
- 对单句输入，取第一个样本、第一个头，画热力图（heatmap）：横轴是 Query 位置（当前词），纵轴是 Key 位置（被关注词），颜色越深表示权重越高；
- 观察代词（如“he”, “it”）是否高亮指向其先行词；
- 检查动词是否聚焦于主语/宾语，而非停用词（“the”, “a”）；
- 使用库如
matplotlib.pyplot.imshow或seaborn.heatmap快速出图，配合xticks/yticks标注词元。
这不仅是调试工具，更是验证模型是否学到合理语言结构的直接证据。
