从零手推：大语言模型核心——Attention 机制与 QKV 矩阵

前置知识： 序列模型、线性层与矩阵乘法

引言：为什么我们需要 Attention？

在学习《序列模型》（如 RNN / LSTM）时，我们知道处理“我 爱 你”这句话，模型是按顺序吃的：先吃“我”，再吃“爱”，最后吃“你”。 RNN 的致命弱点：

1. 遗忘： 句子一长，看到后面就忘了前面。
2. 慢： 必须串行计算，无法发挥 GPU 强大的并行矩阵运算能力。

2017 年，Google 提出了 Self-Attention（自注意力机制），彻底掀翻了 RNN。它的核心思想极其霸道：不排队了，句子里的所有词同时互相看，一次性算清楚谁和谁关系最铁！

下面，我们就用“我 爱 你”这三个词，手工推演这个“互相看”的过程。

第一步：词的数字化与 QKV 的诞生 (回顾)

假设我们的词向量维度 $D=4$，序列长度 $L=3$。 输入矩阵 $X$（包含了“我”、“爱”、“你”三个词的特征）：

$X = \begin{bmatrix} 1 & 0 & 1 & 0 \\ 0 & 1 & 0 & 1 \\ 1 & 1 & 0 & 0 \end{bmatrix} \quad \text{(维度: } 3 \times 4\text{)}$

输入矩阵 $X$ 分别乘以三个权重矩阵 $W_Q, W_K, W_V$（这三个矩阵是模型在训练中学习到的，维度设为 $4 \times 4$），我们得到了 Q（查询）、K（键/标签）、V（值/本体）三个矩阵。

这里假设算出来的 $Q$ 和 $K$ 矩阵如下：

$Q = \begin{bmatrix} 1 & 0 & 1 & 1 \\ 0 & 1 & 0 & 1 \\ 1 & 1 & 0 & 0 \end{bmatrix} \begin{matrix} \leftarrow \text{我的查询} \\ \leftarrow \text{爱的查询} \\ \leftarrow \text{你的查询} \end{matrix}$

$K = \begin{bmatrix} 1 & 0 & 0 & 1 \\ 0 & 1 & 1 & 0 \\ 1 & 1 & 0 & 0 \end{bmatrix} \begin{matrix} \leftarrow \text{我的标签} \\ \leftarrow \text{爱的标签} \\ \leftarrow \text{你的标签} \end{matrix}$

第二步：灵魂碰撞 —— 计算打分矩阵 ($Q \times K^T$)

Attention 的核心思想是：拿每个词的 Query，去和其他所有词的 Key 算相似度。 在数学中，计算两个向量相似度最直接的方法就是点积（Dot Product）。点积越大，说明两个向量越相似，注意力应该分配得越多。

为了一次性算出所有词两两之间的相似度，我们用矩阵乘法：$Q$ 乘以 $K$ 的转置 ($K^T$)。

首先，把 $K$ 躺平变成 $K^T$（维度变为 $4 \times 3$）：

$K^T = \begin{bmatrix} 1 & 0 & 1 \\ 0 & 1 & 1 \\ 0 & 1 & 0 \\ 1 & 0 & 0 \end{bmatrix}$

现在计算 $Scores = Q \times K^T$：

$\begin{bmatrix} 1 & 0 & 1 & 1 \\ 0 & 1 & 0 & 1 \\ 1 & 1 & 0 & 0 \end{bmatrix}_{3 \times 4} \times \begin{bmatrix} 1 & 0 & 1 \\ 0 & 1 & 1 \\ 0 & 1 & 0 \\ 1 & 0 & 0 \end{bmatrix}_{4 \times 3} = \begin{bmatrix} 2 & 1 & 1 \\ 1 & 1 & 1 \\ 1 & 1 & 2 \end{bmatrix}_{3 \times 3}$

💡 极其重要的物理意义解析（面试必考）： 看看算出来的这个 $3 \times 3$ 的矩阵，这就是注意力打分矩阵（Attention Score Matrix）！

• 第一行 [2, 1, 1]：代表“我”这个词的 Q，分别去匹配“我”、“爱”、“你”的 K。发现“我”对“我”自己的注意力得分是 2，对“爱”和“你”是 1。
• 第二行 [1, 1, 1]：代表“爱”去匹配所有词的得分。
• 第三行 [1, 1, 2]：代表“你”对“我”、“爱”、“你”的打分。

到这一步，模型已经算出了任意两个词之间的关联程度。没有任何先后顺序，全部是一次矩阵乘法完成的。这就是 Transformer 比 RNN 快的根本原因！

第三步：缩放与概率化 (Scale & Softmax)

得出了打分矩阵，我们还要做两层处理。

1. 缩放 (Scale)：除以 $\sqrt{d_k}$

公式里有一步是 $\frac{Q K^T}{\sqrt{d_k}}$。这里的 $d_k$ 就是词向量的维度（我们这里是 4，所以除以 $\sqrt{4} = 2$）。

🔥为什么一定要除以 $\sqrt{d_k}$？不除会怎样？ 标准答案： 为了防止梯度消失。当词向量维度 $d_k$ 很大时（比如 768），点积算出来的数值会非常大。如果直接把这么大的数值扔给后面的 Softmax 函数，Softmax 会被“撑爆”（推向饱和区），导致输出的概率变成一个极端的 One-hot 向量（如 [0.999, 0.001, 0]），这时候梯度接近于 0，模型参数就无法更新学习了。除以根号 $d_k$ 是一种方差控制手段，把数值拉回到合理的范围内。

在我们这个简化的例子里，除以 2 之后，打分矩阵变成了：

$\text{Scaled Scores} = \begin{bmatrix} 1.0 & 0.5 & 0.5 \\ 0.5 & 0.5 & 0.5 \\ 0.5 & 0.5 & 1.0 \end{bmatrix}$

2. 概率化 (Softmax)

我们要把分数变成加起来等于 1 的百分比权重。沿着每一行做 Softmax。 （为了直观，这里直接给出近似的概率结果）

$\text{Attention Weights} = \text{Softmax}(\text{Scaled Scores}) \approx \begin{bmatrix} 0.45 & 0.27 & 0.27 \\ 0.33 & 0.33 & 0.33 \\ 0.27 & 0.27 & 0.45 \end{bmatrix}$

看第一行：对于“我”这个词，它分配了 45% 的注意力给自己，27% 给“爱”，27% 给“你”。

第四步：提取精华 —— 乘以 $V$ 矩阵

现在我们有了每个词对其他词的“关注度百分比”，最后一步，就是拿这个百分比，去把 $V$ 矩阵（包含真实内容）里的特征按比例提取出来。

最终结果 = $Attention Weights \times V$

$\begin{bmatrix} 0.45 & 0.27 & 0.27 \\ 0.33 & 0.33 & 0.33 \\ 0.27 & 0.27 & 0.45 \end{bmatrix}_{3 \times 3} \times \begin{bmatrix} v_{我} \\ v_{爱} \\ v_{你} \end{bmatrix}_{3 \times 4}$

以第一行（更新后的“我”的特征）为例： 新“我” = $0.45 \times v_{我} + 0.27 \times v_{爱} + 0.27 \times v_{你}$

结论： 经过这套 Attention 运算后，输出的仍然是一个 $3 \times 4$ 的矩阵。但是，此时的“我”，已经不再是原本孤立的“我”了。它融合了 27% “爱”的语境和 27% “你”的语境。词语之间产生了灵魂的交融，模型就这样“理解”了上下文！

下一篇预告： 当有了 Attention 之后，为什么原版代码里还需要加上位置编码 (Rotary Embedding) 和 GQA 机制？我们将在下篇继续手撕大模型源码！