原理精讲

Tokenization 基础 BPE 算法详解 GPT 系列 Tokenizer BPE 训练工程化

从 token ids 到 logits Embedding 与 LM Head

Attention 机制

Self-Attention 到 GQA Attention Sink

位置编码基础 RoPE 数学推导 RoPE 代码实现长度外推

GPU 编程基础

GPU 架构基础张量布局 Triton 入门：向量加法

Flash Attention 原理详解从朴素实现到 Auto-Tuning Block Pointer 与多维支持 Causal Masking 优化 Grouped Query Attention 反向传播实现

分布式训练

数据并行 ZeRO 优化器全分片数据并行张量并行流水线并行多维混合并行

动手训练

预训练数据 Tokenizer 训练模型架构数据流水线训练循环监控与验证

基础知识模型架构 Attention 机制

Self-Attention 到 GQA

会员专享

从 Self-Attention 出发，依次拆开 Multi-Head、Causal Masking 与 GQA / MQA 的设计权衡

登录以继续阅读

这是一篇付费内容，请登录您的账户以访问完整内容。

Attention 机制

从 MHA / Causal / GQA,到 Attention Sink 与 Gated Attention,理解注意力机制的设计、缺陷与演进

Attention Sink

第一个 token 为什么吸走绝大部分注意力，这一现象的机制、代价，以及为何消除它要留到 Gated Attention

目录

什么是 Attention 机制

标准 Self-Attention 计算流程

PyTorch 参考实现

Multi-Head Attention (MHA)

为什么需要多头？

MHA 的优势与挑战

Causal Attention（因果注意力）

什么是 Causal Attention？

为什么需要 Causal Masking？

Causal Masking 的性能机会

Grouped Query Attention (GQA)

从 MHA 到 GQA 的演进

MHA 的内存问题

Multi-Query Attention (MQA)

Grouped Query Attention (GQA)

GQA 的数学原理

三种机制的对比