additive attention 与 dot product attention

最常用的注意力机制为additive attention 和dot product attention

additive attention ：

在$d_k$dk​较小时，两者中additive attention优于不做scale的dot product attention，当$d_k$dk​较大时，dot product attention方差变大，会导致softmax函数中梯度消失（类似sigmoid，导数为$\frac{te^x}{(t+e^x)^2}$(t+ex)2tex​,方差大时会导致有个值的$e^x$ex远大于其他的，会导致无论对任何值都有$e^x$ex或者$t$t特别大，导数从而为0），从而需要对它做一个scale，假设x每一维都是均值为0，方差为1，则向量点积方差为$d_k$dk​所以需要除以标准差。

dot product attention在实践中更快和更节省空间，因为它可以使用高度优化的矩阵乘法代码来实现。

attention种类还有许多，可以参考下面blog
https://www.jianshu.com/p/cf41f3f91d94
https://www..com/article/5362316581/