CachedMultiHeadAttention 层

[source]

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
)

带有缓存支持的 MultiHeadAttention 层。

此层适用于自回归解码。它可以用于缓存解码器自注意力机制和交叉注意力机制。前向传播可以发生在以下三种模式之一

• 无缓存，与常规多头注意力机制相同。
• 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，并且输入值将被忽略。
• 更新的缓存 (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，并在指定索引处拼接进缓存。

请注意，缓存仅在推理期间有用，不应在训练期间使用。

我们在下面使用符号 B、T、S，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：查询 Tensor，形状为 (B, T, dim)。
• value：值 Tensor，形状为 (B, S*, dim)。如果 cache 为 None，S*必须等于S并匹配attention_mask的形状。如果cache不为None，S*可以为小于S的任何长度，并且计算出的值将在cache_update_index处拼接进cache`。
• key：可选的键 Tensor，形状为 (B, S*, dim)。如果 cache 为 None，S* 必须等于 S 并匹配 attention_mask 的形状。如果 cache 不为 None，S* 可以为小于 S 的任何长度，并且计算出的值将在 cache_update_index 处拼接进 cache。
• 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。布尔掩码指定哪些查询元素可以关注哪些键元素，1 表示关注，0 表示不关注。广播可以发生在缺失的批次维度和头维度上。
• cache：一个稠密浮点型 Tensor。键/值缓存，形状为 [B, 2, S, num_heads, key_dims]，其中 S 必须与 attention_mask 形状一致。此参数旨在在生成期间使用，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 cache_update_index=None 且 cache 已设置，则缓存将不会被更新。
• training：一个布尔值，指示该层应以训练模式还是推理模式运行。

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 用于目标序列形状，如果 output_shape 为 None，则 dim 是查询输入最后一个维度。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。