前面已经讲完了自注意力机制，简单来讲，就是对一组向量空间分别求内积，然后进行缩放，最后对不同的向量使用压缩后的分数累加求和。
1.多头是个什么东西？
实际上很简单，自注意力层的输出空间被分解为一组独立的子空间，对这些子空间分别进行学习，也就是说，初始的Q,K,V三组独立的密集投影生成三组独立的向量[1]，每个向量都通过神经注意力进行处理，然后将多个输出拼接为一个输出序列[2]，然后将输出序列经过线性变换[3],每个这样的子空间叫做一个头。密集投影层是可学习层，因此投影过程是可以学习的，独立的头也有助于该层为每个词元学习多组特征，其中每一组内的特征彼此相关，但与其他组的特征几乎无关。
我标记出了三个位置，这三个位置的描述就是实现多头注意力的关键
按照之前我们实现了一个注意力层，我们将其打包为attention(q,k,v)
(1).Q,K,V三组投影，实际上就是线性变化Y = W X
import numpy as np
#假设有矩阵Q,K,V,矩阵大小都一样，[batch_size, N, feature_numbers]
head_num = 3 #三个头
#这里的w矩阵需要能够学习，这里是选择了一个初始化为0的矩阵
w_q = np.random.random((head_num, N, feature_numbers))
w_k = np.random.random((head_num, N, feature_numbers))
w_v = np.random.random((head_num, N, feature_numbers))
#线性变换
newQ = np.matmul(w_q, Q)
newK = np.matmul(w_k, K)
newV = np.matmul(w_v, V)
#使用多头注意力
result = attention(newQ, newK, newV)
#这里只能算伪代码了
#拼接多个头,假设各个矩阵大小一样，因此可以直接转换维度作为拼接
output = result.reshape(Q.shape, head_num)
#最终输出到密集层
head_output = output * Wo
然后经过注意力机制，生成一个头,这是其中一个头而已，根据需要可以生成多个
(2).拼接多个头
(3).全连接
这个代码顶多算伪代码，以后有空修改吧
