文档摘要

2.1 自注意力机制 本节摘要：自注意力（Self-Attention）是 Transformer 的核心创新：序列内部每个位置同时作为查询、键、值的来源，通过一次全序列的矩阵运算，让每个词的新表示成为全序列的加权组合，权重由内容相关性决定。本节先建立"序列内部信息交换"的直觉，再逐步追踪六步计算的矩阵形状变化，接着用代词消解实例解读注意力权重的语义，最后讨论权重的解释边界与工程代价。掌握本节，多头注意力与解码器掩码都只是它的编排变体。 会员。《2.1 自注意力机制》收录于灏天文库文集《Transformer 模型详解：NLP领域的革新者》，原作者/来源：灏天文库，整理自「灏天文库」，提供技术教程、实践指南与问题解决方案，支持在线阅读、全文检索与知识沉淀，助力开发者系统化学习。本站整理收录，版权归原作者/开源协议所有。

该文档为会员专享，请先登录或注册后再查看

登录 注册

---

作者与出处

原作者： 灏天文库

来源：灏天文库

原文： https://aiknowledge.cn/collection/466-transformer-%E6%A8%A1%E5%9E%8B%E8%AF%A6%E8%A7%A3nlp%E9%A2%86%E5%9F%9F%E7%9A%84%E9%9D%A9%E6%96%B0%E8%80%85

整理： 灏天文库整理

由灏天文库平台收录，内容或由平台用户上传，仅供学习交流