跳至内容
地址 | https://www.zhihu.com/question/325839123
我一做CV的，因为在了解Transformer，今天看Self-Attention中的QKV，也产生了此疑惑，为什么非要定义三个tensor，故搜到此问题。感觉各位都讲得不错，但还可以说得更直白一点。我大概意会了一下，因为写答案做图很麻烦也没什么经验，就简单说说我的理解，不一定准确，见谅。
注意力机制说白了就是要通过训练得到一个加权，自注意力机制就是要通过权重矩阵来自发地找到词与词之间的关系。因此肯定需要给每个input定义tensor，然后通过tensor间的乘法来得到input之间的关系。那这么说是不是给每个input定义1个tensor就够了呢？不够啊！如果每个input只有一个相应的q，那么q1和q2之间做乘法求取了a1和a2的关系之后，这个结果怎么存放怎么使用呢？而且a1和a2之间的关系是对偶的吗？如果a1找a2和a2找a1有区别怎么办？只定义一个这模型是不是有点太简单了。
一个不够就定义两个，于是有了q和k。q你可以理解为代表自己用的，用q去和别的输入找关系；k理解为给别人用的，专门对付来跟你找关系的输入。这样子，用自己的q去和别人的k（当然和自己的k也行）做乘法，就可以得到找出的关系：权重α了。
仅定义q和k两个够吗？可能也还是不够的。找出来的关系是要用的，不用等于白找。权重α是要对输入信息做加权，才能体现找到的关系的价值的。那跟输入直接加权行吗？这么做也不是不行，就是显得直接和生硬了点。所以又定义了个v。要知道，v和q、k一样，都是通过系数矩阵对输入a做乘法得到的。所以定义了个v大概等于又对a加了一层可以学习的参数，然后对经过参数调整后的a再去做加权、把通过注意力机制学到的关系给用上。所以，通过α和v的乘法进行加权操作，最终得到输出o。
综上，我的感觉是，定义这3个tensor，一方面是为了学习输入之间的关系、找到和记录谁和谁的关系权重，一方面也是在合理的结构下引入了可学习的参数，使得网络具有更强的学习能力。底下这个图把他们之间的关系画得挺好了，来源于“极市平台《搞懂 Vision Transformer 原理和代码，看这篇技术综述就够了》”，侵删。
