自注意力 🔗
众所周知，注意力就是一个 query 和多个 key-value 对的带权和，如下：
$$ Attention(Q, K, V) = V.softmax(score(K, V)) $$
当 Q == K == V 的时候，这个计算就叫做自注意力
多头注意力 🔗
假如 Head = 4， 那么如下，其中每一个 Q,K,V 都是完整大小的 Q,K,V，相当于做了 3 次注意力，其中每一个 W 都是可以学习的参数（因为 attention 的计算方法中没有可学习的参数，所以在计算 attention 前加一个线性变换，训练这个线性变换的参数）
$$ head_1 = Attention(W_1^QQ, W_1^K, W_1^VV) \\ head_2 = Attention(W_2^QQ, W_2^K, W_2^VV) \\ head_3 = Attention(W_3^QQ, W_3^K, W_3^VV) \\ head_4 = Attention(W_4^QQ, W_4^K, W_4^VV) $$
最后，4 次 attention 结果连接起来，使用另外一个大的线性变换：
$$ Multihead(Q, K, V) = W^O[head_1, head_2, head_3, head_4] $$