多头自注意力机制相较于多头注意力机制的改进有哪些?

多头自注意力（Multi-Head Self-Attention, MHSA）是Transformer架构中的核心组件，它相对于传统的多头注意力（Multi-Head Attention, MHA）做了以下改进：

1. **自我关注**：MHSA中，每个头都计算的是输入序列中所有位置之间的关系，而不仅仅是两个位置。这允许模型同时考虑上下文的多个方面，提高了全局理解和处理能力。

2. **并行化处理**：多头设计使得注意力机制可以并行执行，每个头部关注输入的不同部分，这样可以加速计算，提升了模型的效率。

3. **信息增广**：通过组合多个独立的注意力头，MHSA可以捕捉到不同抽象层次的信息，增强了对复杂关系的理解。

4. **参数共享**：各头部之间的权重矩阵是共享的，这意味着模型学习到的表示可以复用，减少了参数数量，有助于防止过拟合。

5. **不变性**：由于每个头处理不同的信息子集，整个机制对输入的顺序变化有一定的鲁棒性，有利于保持对序列数据的不变性处理。

相关问题--
1. MHSA如何提高模型的全局理解能力？
2. 多头设计如何提升模型计算效率？
3. 为什么说MHSA能够捕捉不同抽象层次的信息？