分组查询注意力 (GroupQueryAttention)

[源代码]

GroupedQueryAttention 类

keras.layers.GroupQueryAttention(
    head_dim,
    num_query_heads,
    num_key_value_heads,
    dropout=0.0,
    use_bias=True,
    flash_attention=None,
    kernel_initializer="glorot_uniform",
    bias_initializer="zeros",
    kernel_regularizer=None,
    bias_regularizer=None,
    activity_regularizer=None,
    kernel_constraint=None,
    bias_constraint=None,
    seed=None,
    **kwargs
)

分组查询注意力层。

这是 Ainslie 等人，2023 引入的分组查询注意力的实现。这里 num_key_value_heads 表示分组数，将 num_key_value_heads 设置为 1 等同于多查询注意力，当 num_key_value_heads 等于 num_query_heads 时，等同于多头注意力。

此层首先投影 query、key 和 value 张量。然后，重复 key 和 value 以匹配 query 的头数。

然后，对 query 进行缩放并与 key 张量进行点积。这些结果经过 softmax 运算以获得注意力概率。然后，使用这些概率对 value 张量进行插值，并将其拼接回单个张量。

参数

• head_dim：每个注意力头的维度。
• num_query_heads：查询注意力头的数量。
• num_key_value_heads：键和值注意力头的数量。
• dropout：Dropout 概率。
• use_bias：布尔值，表示密集层是否使用偏置向量/矩阵。
• flash_attention：如果为 None，则在可能的情况下，该层会尝试使用 Flash Attention 进行更快、更省内存的注意力计算。此行为可以通过 keras.config.enable_flash_attention() 或 keras.config.disable_flash_attention() 进行配置。
• kernel_initializer：密集层核的初始化器。
• bias_initializer：密集层偏置的初始化器。
• kernel_regularizer：密集层核的正则化器。
• bias_regularizer：密集层偏置的正则化器。
• activity_regularizer：密集层活动的正则化器。
• kernel_constraint：密集层核的约束。
• bias_constraint：密集层核的约束。
• seed：用于 Dropout 层的可选整数种子。

调用参数

• query：查询张量，形状为 (batch_dim, target_seq_len, feature_dim)，其中 batch_dim 是批大小，target_seq_len 是目标序列的长度，feature_dim 是特征的维度。
• value：值张量，形状为 (batch_dim, source_seq_len, feature_dim)，其中 batch_dim 是批大小，source_seq_len 是源序列的长度，feature_dim 是特征的维度。
• key：可选键张量，形状为 (batch_dim, source_seq_len, feature_dim)。如果未给出，将同时使用 value 作为 key 和 value，这是最常见的情况。
• attention_mask：形状为 (batch_dim, target_seq_len, source_seq_len) 的布尔掩码，用于阻止对某些位置的注意力。布尔掩码指定了哪些查询元素可以关注哪些键元素，其中 1 表示关注，0 表示不关注。对于缺失的批维度和头维度，可以进行广播。
• return_attention_scores：一个布尔值，指示如果为 True，输出应为 (attention_output, attention_scores)，如果为 False，则为 attention_output。默认为 False。
• training：Python 布尔值，指示该层是应在训练模式下运行（添加 Dropout）还是在推理模式下运行（无 Dropout）。如果存在父层/模型，则将使用其训练模式；如果不存在父层，则为 False（推理）。
• use_causal_mask：一个布尔值，指示是否应用因果掩码以防止 token 关注未来的 token（例如，在解码器 Transformer 中使用）。

返回

• attention_output：计算结果，形状为 (batch_dim, target_seq_len, feature_dim)，其中 target_seq_len 是目标序列长度，feature_dim 是查询输入的最后一个维度。
• attention_scores：(可选) 注意力系数，形状为 (batch_dim, num_query_heads, target_seq_len, source_seq_len)。