在实践中，给定一组相同的查询、键和值，我们可能希望我们的模型结合来自同一注意机制的不同行为的知识，例如捕获各种范围的依赖关系（例如，较短范围与较长范围）在一个序列中。因此，这可能是有益的
允许我们的注意力机制联合使用查询、键和值的不同表示子空间。
为此，可以使用以下方式转换查询、键和值，而不是执行单个注意力池h独立学习线性投影。那么这些h投影查询、键和值被并行输入注意力池。到底，h 注意池的输出与另一个学习的线性投影连接并转换以产生最终输出。这种设计称为多头注意力，其中每个hattention pooling outputs 是一个头 （Vaswani et al. , 2017）。使用全连接层执行可学习的线性变换，图 11.5.1描述了多头注意力。
图 11.5.1多头注意力，其中多个头连接起来然后进行线性变换。
No GPU/TPU found, falling back to CPU. (Set TF_CPP_MIN_LOG_LEVEL=0 and rerun for more info.)
11.5.1。模型
在提供多头注意力的实现之前，让我们从数学上形式化这个模型。给定一个查询 q∈Rdq， 关键 k∈Rdk和一个值 v∈Rdv, 每个注意力头 hi(i=1,…,h) 被计算为
(11.5.1)hi=f(Wi(q)q,Wi(k)k,Wi(v)v)∈Rpv,
其中可学习参数 Wi(q)∈Rpq×dq, Wi(k)∈Rpk×dk和 Wi(v)∈Rpv×dv， 和f是注意力集中，例如11.3 节中的附加注意力和缩放点积注意力。多头注意力输出是另一种通过可学习参数进行的线性变换Wo∈Rpo×hpv的串联h负责人：
(11.5.2)Wo[h1⋮hh]∈Rpo.
基于这种设计，每个头可能会关注输入的不同部分。可以表达比简单加权平均更复杂的函数。
11.5.2。执行
在我们的实现中，我们为多头注意力的每个头选择缩放的点积注意力。为了避免计算成本和参数化成本的显着增长，我们设置 pq=pk=pv=po/h
