FusedMultiHeadAttention

class paddle.incubate.nn. FusedMultiHeadAttention ( embed_dim, num_heads, dropout_rate=0.5, attn_dropout_rate=0.5, kdim=None, vdim=None, normalize_before=False, need_weights=False, weight_attr=None, bias_attr=None, epsilon=1e-5, name=None ) [源代码]

多头注意力机制

注意力机制可以将查询（Query）与一组键值对（Key-Value）映射到输出。而多头注意力机制是将注意力机制的计算过程计算多次，以便模型提取不同子空间的信息。

细节可参考论文 Attention is all you need 。

FusedMultiHeadAttention 与已有的 MultiHeadAttention 有两处不同：

（1）表达的计算逻辑范围不同。相比 MultiHeadAttention ， FusedMultiHeadAttention 的前面在 normalize_before=True 时，多了 layer_norm 算子，后面多了 residual add ， dropout 和 layer_norm 的计算。

（2）q, k, v 的 weight 的存储格式不同。MultiHeadAttention 将 q, k, v 的 weight 存储在三个张量中。FusedMultiHeadAttention 的 q, k, v 的 weight 被统一存在一个权重张量中，其维度为 [3, num_heads, head_dim, embed_dim] 。

参数

  • embed_dim (int) - 输入输出的维度。

  • num_heads (int) - 多头注意力机制的 Head 数量。

  • dropout_rate (float，可选) - multi-head attention 后面的 dropout 算子的注意力目标的随机失活率。0 表示进行 dropout 计算。默认值：0.5。

  • attn_dropout_rate (float，可选) - multi-head attention 中的 dropout 算子的注意力目标的随机失活率。0 表示不进行 dropout 计算。默认值：0.5。

  • kdim (int，可选) - 键值对中 key 的维度。如果为 None 则 kdim = embed_dim。默认值 None 。

  • vdim (int，可选) - 键值对中 value 的维度。如果为 None 则 kdim = embed_dim。默认值：None 。

  • normalize_before (bool，可选) - 是 pre_layer_norm 结构（True）还是 post_layer_norm 结构（False）。pre_layer_norm 结构中，layer_norm 算子位于 multi-head attention 和 ffn 的前面，post_layer_norm 结构中，layer_norm 位于两者的后面。默认值：False 。

  • need_weights (bool，可选) - 表明是否返回注意力权重。默认值：False 。

  • weight_attr (ParamAttr，可选) - 指定权重参数属性的对象。默认值：None，表示使用默认的权重参数属性。具体用法请参见 ParamAttr 。

  • bias_attr （ParamAttr，可选）- 指定偏置参数属性的对象。默认值：None，表示使用默认的偏置参数属性。具体用法请参见 ParamAttr 。

  • epsilon (float，可选) - 为了数值稳定加在分母上的值。默认值：1e-05。

  • name (str，可选) - 具体用法请参见 Name，一般无需设置，默认值为 None。

形状

  • x (Tensor)：默认形状为 [batch_size, sequence_length, embed_dim]，其数据类型为 float32，float64 或者 float16。

  • output (Tensor)：其形状和数据类型与输入 x 相同。

返回

计算 FusedMultiHeadAttention 的可调用对象

代码示例

# required: gpu
import paddle
# input: [batch_size, sequence_length, embed_dim]
query = paddle.rand((2, 4, 128))
# self attention mask: [batch_size, num_heads, query_len, query_len]
attn_mask = paddle.rand((2, 2, 4, 4))
multi_head_attn = paddle.incubate.nn.FusedMultiHeadAttention(128, 2)
output = multi_head_attn(query, None, None, attn_mask=attn_mask)  # [2, 4, 128]