CachedMultiHeadAttention 层

[源]

CachedMultiHeadAttention 类

keras_hub.layers.CachedMultiHeadAttention(
    num_heads,
    key_dim,
    value_dim=None,
    dropout=0.0,
    use_bias=True,
    output_shape=None,
    attention_axes=None,
    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
)

支持缓存的多头注意力层。

该层适用于自回归解码。可用于缓存解码器自注意力和交叉注意力。前向传递可以有三种模式：

• 无缓存，与普通多头注意力相同。
• 静态缓存 (cache_update_index 为 None)。在这种情况下，将使用缓存的键/值投影，输入值将被忽略。
• 更新缓存 (cache_update_index 不为 None)。在这种情况下，将使用输入计算新的键/值投影，并拼接（splice）到缓存中指定的位置。

请注意，缓存仅在推理期间有用，不应在训练期间使用。

我们在下面使用 B、T、S 的标记，其中 B 是批次维度，T 是目标序列长度，S 是源序列长度。请注意，在生成式解码期间，T 通常为 1（您正在生成长度为 1 的目标序列以预测下一个 token）。

调用参数

• query：形状为 (B, T, dim) 的 Query Tensor。
• value：形状为 (B, S*, dim) 的 Value Tensor。如果 cache 为 None，则 S* 必须等于 S 并与 attention_mask 的形状匹配。如果 cache 不为 None，则 S* 可以是小于 S 的任何长度，计算出的 value 将被拼接（splice）到 cache 中 cache_update_index 的位置。
• key：可选的 key Tensor，形状为 (B, S*, dim)。如果 cache 为 None，则 S* 必须等于 S 并与 attention_mask 的形状匹配。如果 cache 不为 None，则 S* 可以是小于 S 的任何长度，计算出的 value 将被拼接（splice）到 cache 中 cache_update_index 的位置。
• attention_mask：形状为 (B, T, S) 的布尔掩码。attention_mask 阻止对某些位置的注意力。布尔掩码指定哪些 query 元素可以关注哪些 key 元素，1 表示注意力，0 表示无注意力。对于缺失的批次维度和头维度，可以发生广播（Broadcasting）。
• cache：一个稠密的 float Tensor。键/值缓存，形状为 [B, 2, S, num_heads, key_dims]，其中 S 必须与 attention_mask 的形状一致。此参数旨在用于生成期间，以避免重新计算中间状态。
• cache_update_index：一个 int 或 int Tensor，用于更新 cache 的索引（通常是在运行生成时正在处理的当前 token 的索引）。如果在设置了 cache 的同时 cache_update_index=None，则缓存不会更新。
• training：一个布尔值，指示该层应在训练模式还是推理模式下运行。

返回

一个 (attention_output, cache) 元组。attention_output 是计算结果，形状为 (B, T, dim)，其中 T 表示目标序列的形状，如果 output_shape 为 None，则 dim 是 query 输入的最后一个维度。否则，多头输出将被投影到 output_shape 指定的形状。cache 是更新后的缓存。