Problema
La atención permite que cada posición de una secuencia mire todas las demás posiciones y mezcle su información. Es el núcleo de la arquitectura Transformer que usan los grandes modelos de lenguaje:
Attention(Q, K, V) = softmax(Q × Kᵀ / √d) × V
Para cada fila de consulta q:
- Puntúa cada fila de clave k: score = (q · k) / √d, donde d es el número de columnas de K.
- Convierte las puntuaciones en pesos con softmax (resta la puntuación más alta antes de calcular e^x).
- La fila de salida es la suma ponderada de las filas de valores: Σ weight_j × values[j].
Implementa attention(queries, keys, values).
Entrada
queries: n filas, cada una con d números.
keys: m filas, cada una con d números.
values: m filas (una por clave), cada una con v números.
Salida
Devuelve la matriz de salida de n × v.
Restricciones
1 ≤ n, m ≤ 50, 1 ≤ d, v ≤ 32
-10 ≤ cada valor ≤ 10
Ejemplos
Entrada:
keys = [
[1.0, 0.0],
[1.0, 0.0]
]
values = [
[2.0, 4.0],
[6.0, 8.0]
]
queries = [
[1.0, 0.0]
]
Salida esperada:
expected = [
[4.0, 6.0]
]Entrada:
std::vector<std::vector<double>> keys = {
{1.0, 0.0},
{1.0, 0.0}
};
std::vector<std::vector<double>> values = {
{2.0, 4.0},
{6.0, 8.0}
};
std::vector<std::vector<double>> queries = {
{1.0, 0.0}
};
Salida esperada:
std::vector<std::vector<double>> expected = {
{4.0, 6.0}
};Entrada:
double[][] keys = new double[][] {
new double[] {1.0, 0.0},
new double[] {1.0, 0.0}
};
double[][] values = new double[][] {
new double[] {2.0, 4.0},
new double[] {6.0, 8.0}
};
double[][] queries = new double[][] {
new double[] {1.0, 0.0}
};
Salida esperada:
double[][] expected = new double[][] {
new double[] {4.0, 6.0}
};Explicación
Las dos claves dan la misma puntuación, así que los pesos softmax son 0.5 y 0.5. La salida es el promedio de las filas de valores: [(2 + 6) / 2, (4 + 8) / 2] = [4, 6].
Entrada:
keys = [
[3.0, 1.0],
[-2.0, 5.0],
[7.0, 7.0]
]
values = [
[1.0],
[2.0],
[6.0]
]
queries = [
[0.0, 0.0]
]
Salida esperada:
expected = [
[3.0]
]Entrada:
std::vector<std::vector<double>> keys = {
{3.0, 1.0},
{-2.0, 5.0},
{7.0, 7.0}
};
std::vector<std::vector<double>> values = {
{1.0},
{2.0},
{6.0}
};
std::vector<std::vector<double>> queries = {
{0.0, 0.0}
};
Salida esperada:
std::vector<std::vector<double>> expected = {
{3.0}
};Entrada:
double[][] keys = new double[][] {
new double[] {3.0, 1.0},
new double[] {-2.0, 5.0},
new double[] {7.0, 7.0}
};
double[][] values = new double[][] {
new double[] {1.0},
new double[] {2.0},
new double[] {6.0}
};
double[][] queries = new double[][] {
new double[] {0.0, 0.0}
};
Salida esperada:
double[][] expected = new double[][] {
new double[] {3.0}
};Explicación
Una consulta de ceros puntúa 0 frente a cada clave, así que la atención se reparte por igual: (1 + 2 + 6) / 3 = 3.
Referencias
Este reto está adaptado para CodeUtility. Sigue el enunciado y las restricciones indicadas arriba.