transform 多头注意力

Transformer 多头注意力是 Transformer 模型中的一个重要组成部分，用于在输入序列中找到相关的信息。它由多个注意力头组成，每个头都可以关注输入序列中不同的部分，从而提高模型的表现力。下面是 transform 多头注意力的实现步骤：

1. 将输入序列通过线性变换分成多个部分，每个部分的维度为 d_k。
2. 对每个部分分别计算 Q、K、V，其中 Q、K、V 的维度均为 d_k。
3. 对每个部分分别计算注意力得分，得到多个注意力得分矩阵。
4. 将多个注意力得分矩阵拼接起来，通过线性变换得到最终的注意力矩阵。
5. 将注意力矩阵与 V 矩阵相乘，得到多头注意力的输出。

下面是一个 Python 实现的例子：

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_k = d_model // num_heads
        
        self.q_linear = nn.Linear(d_model, d_model)
        self.v_linear = nn.Linear(d_model, d_model)
        self.k_linear = nn.Linear(d_model, d_model)
        self.out = nn.Linear(d_model, d_model)
        
    def forward(self, q, k, v, mask=None):
        bs = q.size(0)
        
        # Linear projections
        k = self.k_linear(k).view(bs, -1, self.num_heads, self.d_k)
        q = self.q_linear(q).view(bs, -1, self.num_heads, self.d_k)
        v = self.v_linear(v).view(bs, -1, self.num_heads, self.d_k)
        
        # Transpose to get dimensions bs * num_heads * sl * d_model
        k = k.transpose(1,2)
        q = q.transpose(1,2)
        v = v.transpose(1,2)
        
        # Attention
        scores = torch.matmul(q, k.transpose(-2, -1)) /  math.sqrt(self.d_k)
        if mask is not None:
            mask = mask.unsqueeze(1)
            scores = scores.masked_fill(mask == 0, -1e9)
        scores = nn.functional.softmax(scores, dim=-1)
        attention = torch.matmul(scores, v)
        
        # Concatenate and linear
        concat_attention = attention.transpose(1,2).contiguous().view(bs, -1, self.num_heads * self.d_k)
        output = self.out(concat_attention)
        
        return output