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。

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

mindsponge.cell.Attention

class mindsponge.cell.Attention(num_head, hidden_size, gating, q_data_dim, m_data_dim, output_dim, batch_size=None)

多头注意力机制，具体实现请参考 Attention is all you need 。Attention公式如下，query向量长度与输入一致，key向量长度为key长度和目标长度。

$$Attention(query,key,vector)=Concat(hea{d}_1,\dots ,hea{d}_h)W^O$$

$hea{d}_i=Attention(Q{W}_i^Q,K{W}_i^K,V{W}_i^V)$ 。默认有偏置。如果query，key和value张量相同，则表现为self attention。

参数：

• num_head (int) - 头的数量。

• hidden_size (int) - 输入的隐藏尺寸。

• gating (bool) - 判断attention是否经过gating的指示器。

• q_data_dim (int) - query的最后一维度的长度。

• m_data_dim (int) - key和value最后一维度的长度。

• output_dim (int) - 输出的最后一维度的长度。

• batch_size (int) - attention中权重的batch size，仅在有while控制流时使用，默认值：”None”。

输入：

• q_data (Tensor) - shape为(batch_size, query_seq_length, q_data_dim)的query Tensor，其中query_seq_length是query向量的序列长度。

• m_data (Tensor) - shape为(batch_size, value_seq_length, m_data_dim)的key和value Tensor，其中value_seq_length是value向量的序列长度。

• attention_mask (Tensor) - 注意力矩阵的mask。shape为(batch_size, num_heads, query_seq_length, value_seq_length)。

• index (Tensor) - 在while循环中的索引，仅在有while控制流时使用。默认值：”None”。

• nonbatched_bias (Tensor) - attention矩阵中无batch维的偏置。shape为(num_heads, query_seq_length, value_seq_length)。默认值：”None”。

输出：

Tensor。Attention层的输出tensor，shape是(batch_size, query_seq_length, hidden_size)。

支持平台：

Ascend GPU

样例：

>>> import numpy as np
>>> from mindsponge.cell import Attention
>>> from mindspore import dtype as mstype
>>> from mindspore import Tensor
>>> model = Attention(num_head=4, hidden_size=64, gating=True, q_data_dim=64,
...                   m_data_dim=64, output_dim=64)
>>> q_data = Tensor(np.ones((32, 128, 64)), mstype.float32)
>>> m_data = Tensor(np.ones((32, 256, 64)), mstype.float32)
>>> attention_mask = Tensor(np.ones((32, 4, 128, 256)), mstype.float32)
>>> attn_out= model(q_data, m_data, attention_mask)
>>> print(attn_out.shape)
(32, 128, 64)