pytorch 多头自注意力机制实例化

在 PyTorch 中实例化多头自注意力机制可以使用 `nn.MultiheadAttention` 模块。该模块实现了多头自注意力机制的计算，可以通过指定头数、隐藏层大小等参数来创建多头自注意力机制的实例。

下面是一个简单的示例代码：

import torch
import torch.nn as nn

# 定义输入数据
batch_size = 10
seq_len = 20
hidden_size = 256
num_heads = 8

# 创建多头自注意力机制实例
self_attention = nn.MultiheadAttention(hidden_size, num_heads)

# 生成随机输入张量
input_tensor = torch.randn(seq_len, batch_size, hidden_size)

# 进行多头自注意力计算
output_tensor, _ = self_attention(input_tensor, input_tensor, input_tensor)

# 输出结果
print(output_tensor.shape)  # 输出结果形状为 (seq_len, batch_size, hidden_size)

在上述示例中，我们首先创建了一个 `nn.MultiheadAttention` 实例，其中指定了隐藏层大小 `hidden_size` 和头数 `num_heads`。然后，我们生成一个随机的输入张量 `input_tensor`，它的形状为 `(seq_len, batch_size, hidden_size)`。最后，我们将输入张量传入多头自注意力计算中，得到输出张量 `output_tensor`，并打印出其形状。

需要注意的是，`nn.MultiheadAttention` 模块默认会对输入进行线性变换，因此输入张量的最后一维应该是隐藏层大小 `hidden_size`。此外，多头自注意力计算中会使用到三个输入，分别是查询张量、键张量和值张量，这里我们简单地使用相同的输入张量。

希望以上代码能帮助到你！如果还有其他问题，请随时提问。