Problema
A atenção permite que cada posição de uma sequência olhe para todas as outras posições e misture suas informações. É o núcleo da arquitetura Transformer usada pelos grandes modelos de linguagem:
Attention(Q, K, V) = softmax(Q × Kᵀ / √d) × V
Para cada linha de consulta q:
- Pontue cada linha de chave k: score = (q · k) / √d, onde d é o número de colunas de K.
- Transforme as pontuações em pesos com softmax (subtraia a maior pontuação antes de calcular e^x).
- A linha de saída é a soma ponderada das linhas de valores: Σ weight_j × values[j].
Implemente attention(queries, keys, values).
Entrada
queries: n linhas, cada uma com d números.
keys: m linhas, cada uma com d números.
values: m linhas (uma por chave), cada uma com v números.
Saída
Retorne a matriz de saída n × v.
Restrições
1 ≤ n, m ≤ 50, 1 ≤ d, v ≤ 32
-10 ≤ cada valor ≤ 10
Exemplos
Entrada:
keys = [
[1.0, 0.0],
[1.0, 0.0]
]
values = [
[2.0, 4.0],
[6.0, 8.0]
]
queries = [
[1.0, 0.0]
]
Saída 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}
};
Saída 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}
};
Saída esperada:
double[][] expected = new double[][] {
new double[] {4.0, 6.0}
};Explicação
As duas chaves dão a mesma pontuação, então os pesos do softmax são 0.5 e 0.5. A saída é a média das linhas 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]
]
Saída 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}
};
Saída 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}
};
Saída esperada:
double[][] expected = new double[][] {
new double[] {3.0}
};Explicação
Uma consulta de zeros pontua 0 com toda chave, então a atenção se divide igualmente: (1 + 2 + 6) / 3 = 3.
Referências
Este desafio foi adaptado para o CodeUtility. Siga o enunciado e as restrições acima.