文档反馈

问题文档片段

问题文档片段包含公式时，显示为空格。

提交类型

issue

有点复杂...

找人问问吧。

PR

小问题，全程线上修改...

一键搞定！

请选择提交类型

问题类型

规范和低错类

- 规范和低错类：

- 错别字或拼写错误，标点符号使用错误、公式错误或显示异常。

- 链接错误、空单元格、格式错误。

- 英文中包含中文字符。

- 界面和描述不一致，但不影响操作。

- 表述不通顺，但不影响理解。

- 版本号不匹配：如软件包名称、界面版本号。

易用性

- 易用性：

- 关键步骤错误或缺失，无法指导用户完成任务。

- 缺少主要功能描述、关键词解释、必要前提条件、注意事项等。

- 描述内容存在歧义指代不明、上下文矛盾。

- 逻辑不清晰，该分类、分项、分步骤的没有给出。

正确性

- 正确性：

- 技术原理、功能、支持平台、参数类型、异常报错等描述和软件实现不一致。

- 原理图、架构图等存在错误。

- 命令、命令参数等错误。

- 代码片段错误。

- 命令无法完成对应功能。

- 界面错误，无法指导操作。

- 代码样例运行报错、运行结果不符。

风险提示

- 风险提示：

- 对重要数据或系统存在风险的操作，缺少安全提示。

内容合规

- 内容合规：

- 违反法律法规，涉及政治、领土主权等敏感词。

- 内容侵权。

请选择问题类型

问题描述

点击输入详细问题描述，以帮助我们快速定位问题。

提交

文档反馈

mindflow.cell.MultiHeadAttention

class mindflow.cell.MultiHeadAttention(in_channels, num_heads, drop_mode='dropout', dropout_rate=0.0, compute_dtype=mstype.float32)

多头注意力机制，具体细节可以参见 Attention Is All You Need 。

参数：

• in_channels (int) - 输入的输入特征维度。

• num_heads (int) - 输出的输出特征维度。

• drop_mode (str) - dropout方式。默认值： dropout 。支持以下类型： dropout 和 droppath 。

• dropout_rate (float) - dropout层丢弃的比率。取值在 [0, 1] 。默认值： 0.0 。

• compute_dtype (mindspore.dtype) - 网络层的数据类型。默认值： mstype.float32 ，表示 mindspore.float32 。

输入：

• x (Tensor) - shape为 $(batch\mathrm{\_}size,sequence\mathrm{\_}len,in\mathrm{\_}channels)$ 的Tensor。

• attn_mask (Tensor) - shape为 $(batch\mathrm{\_}size,sequence\mathrm{\_}len,sequence\mathrm{\_}len)$ 或 $(sequence\mathrm{\_}len,sequence\mathrm{\_}len)$ or $(batch\mathrm{\_}size,nu{m}_{h}eads,sequence\mathrm{\_}len,sequence\mathrm{\_}len)$ 的Tensor.

• key_padding_mask (Tensor) - shape为 $(batch\mathrm{\_}size,sequence\mathrm{\_}len)$ 或 $(batch\mathrm{\_}size,sequence\mathrm{\_}len,sequence\mathrm{\_}len)$ 或 $(batch\mathrm{\_}size,nu{m}_{h}eads,sequence\mathrm{\_}len,sequence\mathrm{\_}len)$ 的Tensor.

输出：

• output (Tensor) - shape为 $(batch\mathrm{\_}size,sequence\mathrm{\_}len,in\mathrm{\_}channels)$ 的Tensor。

支持平台：

Ascend CPU

样例：

>>> from mindspore import ops
>>> from mindflow.cell import MultiHeadAttention
>>> model = MultiHeadAttention(in_channels=512, num_heads=4)
>>> x = ops.rand((2, 32, 512))
>>> mask_shape = (2, 4, 32, 32)
>>> mask = ops.ones(mask_shape)
>>> output = model(x, mask)
>>> print(output.shape)
(2, 32, 512)