transformer多头注意力机制代码

Transformer多头注意力机制是Transformer模型中的核心组件之一，它通过使用多个注意力头来捕捉输入序列中的不同关系和特征。以下是一个简单的Transformer多头注意力机制的代码示例：

import torch
import torch.nn as nn

class MultiHeadAttention(nn.Module):
    def __init__(self, d_model, num_heads):
        super(MultiHeadAttention, self).__init__()
        self.num_heads = num_heads
        self.d_model = d_model
        self.d_k = d_model // num_heads
        
        self.W_Q = nn.Linear(d_model, d_model)
        self.W_K = nn.Linear(d_model, d_model)
        self.W_V = nn.Linear(d_model, d_model)
        self.W_O = nn.Linear(d_model, d_model)
        
    def forward(self, Q, K, V, mask=None):
        batch_size = Q.size(0)
        
        # 线性变换得到Q、K、V
        Q = self.W_Q(Q)
        K = self.W_K(K)
        V = self.W_V(V)
        
        # 将Q、K、V分割成多个头
        Q = Q.view(batch_size, -1, self.num_heads, self.d_k).transpose(1, 2)
        K = K.view(batch_size, -1, self.num_heads, self.d_k).transpose(1, 2)
        V = V.view(batch_size, -1, self.num_heads, self.d_k).transpose(1, 2)
        
        # 计算注意力得分
        scores = torch.matmul(Q, K.transpose(-2, -1)) / torch.sqrt(torch.tensor(self.d_k).float())
        
        # 对注意力得分进行mask操作
        if mask is not None:
            scores = scores.masked_fill(mask == 0, -1e9)
        
        # 计算注意力权重
        attention_weights = torch.softmax(scores, dim=-1)
        
        # 进行注意力加权求和
        attention_output = torch.matmul(attention_weights, V)
        
        # 将多个头的输出拼接起来
        attention_output = attention_output.transpose(1, 2).contiguous().view(batch_size, -1, self.d_model)
        
        # 线性变换得到最终的输出
        output = self.W_O(attention_output)
        
        return output, attention_weights

这段代码实现了一个简单的多头注意力机制，其中`d_model`表示输入和输出的维度，`num_heads`表示注意力头的数量。在`forward`方法中，首先通过线性变换将输入序列Q、K、V映射到指定维度，然后将它们分割成多个头，并计算注意力得分。接着根据mask对注意力得分进行处理，然后计算注意力权重并进行加权求和。最后，将多个头的输出拼接起来，并通过线性变换得到最终的输出。