我想要一天分享一點「LLM從底層堆疊的技術」，並且每篇文章長度控制在三分鐘以內，讓大家不會壓力太大，但是又能夠每天成長一點。
可是在原始 Google 釋出的 Transformer 論文中，不僅僅是用 Single-Head Attention 而是用 Multi-Head Attention ，而且有 8 個 Head，這意味著輸出維度將是 8 x 3 x 64
為了後續方便說明，我這裡先隨意產生相同維度的矩陣：
z0h1 = np.random.random((3, 64))
z1h2 = np.random.random((3, 64))
z2h3 = np.random.random((3, 64))
z3h4 = np.random.random((3, 64))
z4h5 = np.random.random((3, 64))
z5h6 = np.random.random((3, 64))
z6h7 = np.random.random((3, 64))
z7h8 = np.random.random((3, 64))
然後真實情況下，這些矩陣會做合併，詳見 AI說書 - 從0開始 - 53
- 這個圖示顯示 Head = 2，且只看句子中的第 i 個字
- 對於第一個 Head ，其結果為 bi,1
- 對於第二個 Head ，其結果為 bi,2
- 這兩個向量會做串接
- 同理適用於整個句子的字，而不僅限於第 i 個字
有鑑於此會執行：
Output = np.hstack((z0h1, z1h2, z2h3, z3h4, z4h5, z5h6, z6h7, z7h8))
然後會發現維度變成 3 x 512 ，這個 512 數字的由來就是因為我把 8 個 64 維的東西做串接，所以 8 x 64 = 512，那這 3 x 512 的 3 代表三個字，而 512 代表的維度和原始字串代表維度一樣，也就是 Embedding 和 Positional Encoding 後的維度，這是刻意為之，代表經過 Attention Module 前與後的維度不變。
