2. 经典注意力公式

注意力机制的核心，说白了就是回答一个问题：给定一个查询（Query），我应该关注哪些信息（Key），以及如何把这些信息加权组合成最终输出（Value）？

在视觉语言模型里，这个机制无处不在。比如让模型描述一张图片，它需要知道“狗”这个单词应该对应图片里哪块区域。这就是注意力在起作用。

我刚开始接触这个领域时，看到一堆公式也头疼。但后来发现，其实就两种主流方案：加性注意力和点积注意力。今天咱们就把它们彻底讲透。

2.1 加性注意力（Additive Attention）

加性注意力是早期比较经典的做法，由 Bahdanau 等人在 2014 年提出。它的核心思路是：把 Query 和 Key 拼接起来，扔进一个单层神经网络，让网络自己学出它们之间的匹配分数。

公式长这样：

score(q, k) = v^T · tanh(W_q · q + W_k · k + b)

其中：

• q：查询向量（比如解码器当前时刻的隐状态）
• k：键向量（比如编码器每个位置的隐状态）
• W_q, W_k：可学习的权重矩阵
• b：偏置项
• v：可学习的向量，用于把隐层结果映射成一个标量分数
• tanh：激活函数，引入非线性

我记得在早期做机器翻译项目时，用的就是加性注意力。当时有个坑——训练速度确实慢。因为每个时间步都要对每个 Key 做一次矩阵运算，计算量不小。

2.2 点积注意力（Dot-Product Attention）

点积注意力就简单粗暴多了。它直接计算 Query 和 Key 的点积作为匹配分数。公式如下：

score(q, k) = q · k^T

如果考虑缩放因子，就是大名鼎鼎的 Scaled Dot-Product Attention：

score(q, k) = (q · k^T) / √d_k

其中 d_k 是 Key 向量的维度。为什么要除以 √d_k？

原因很简单：当 d_k 比较大时，点积的结果会很大，导致 softmax 后的梯度极小，模型难以训练。缩放一下，就能把方差控制住。

你想想看，Transformer 为什么能处理超长序列？很大程度上就靠这个高效的点积注意力。

2.3 核心对比：一张表说清楚

对比维度	加性注意力	点积注意力
计算方式	拼接后过全连接层 + tanh	直接点积（可缩放）
计算复杂度	O(n²·d)（含非线性变换）	O(n²·d)（纯矩阵乘法）
实际速度	慢（无法利用矩阵乘法加速）	快（高度并行化）
维度要求	q 和 k 维度可以不同	q 和 k 维度必须相同
非线性能力	有（tanh 激活）	无（纯线性操作）
长序列表现	显存占用高，速度慢	相对高效，但仍有 O(n²) 问题
主流应用	早期 Seq2Seq、部分多模态模型	Transformer 及其变体（主流）

从表里能看出来，点积注意力在效率上完胜。这也是为什么现在几乎所有视觉语言模型（CLIP、BLIP、LLaVA 等）都用它。

2.4 为什么点积注意力成了主流？

我个人觉得，原因有三点：

1. 硬件友好：GPU 对矩阵乘法有专门的优化，点积操作可以批量执行。
2. 实现简单：几行代码就能搞定，调试也方便。
3. 可扩展性强：多头注意力、因果掩码等改进都是基于点积注意力构建的。

但加性注意力也有它的优势。比如当 Query 和 Key 来自不同模态（文本 vs 图像），维度差异很大时，加性注意力通过可学习的映射能更好地融合信息。我在做早期的视觉问答模型时，就发现加性注意力在某些场景下比点积注意力高出 1-2 个点。

2.5 核心逻辑结构图

下面这张图展示了两种注意力的核心计算流程对比：

2.6 代码实现对比

光说不练假把式。下面我用 PyTorch 实现两种注意力，你感受一下差异：

import torch
import torch.nn as nn
import torch.nn.functional as F

class AdditiveAttention(nn.Module):
    """加性注意力"""
    def __init__(self, d_q, d_k, d_hidden):
        super().__init__()
        self.W_q = nn.Linear(d_q, d_hidden, bias=False)
        self.W_k = nn.Linear(d_k, d_hidden, bias=False)
        self.v = nn.Linear(d_hidden, 1, bias=False)

    def forward(self, q, k, v):
        # q: [batch, d_q], k: [batch, seq_len, d_k]
        q_expanded = self.W_q(q).unsqueeze(1)  # [batch, 1, d_hidden]
        k_transformed = self.W_k(k)             # [batch, seq_len, d_hidden]
        scores = self.v(torch.tanh(q_expanded + k_transformed)).squeeze(-1)
        attn_weights = F.softmax(scores, dim=-1)
        return torch.bmm(attn_weights.unsqueeze(1), v).squeeze(1)

class DotProductAttention(nn.Module):
    """缩放点积注意力"""
    def __init__(self, d_k):
        super().__init__()
        self.scale = d_k ** 0.5

    def forward(self, q, k, v):
        # q: [batch, seq_len_q, d_k], k: [batch, seq_len_k, d_k]
        scores = torch.bmm(q, k.transpose(1, 2)) / self.scale
        attn_weights = F.softmax(scores, dim=-1)
        return torch.bmm(attn_weights, v)