Scaled dot-product attention โจทย์โปรแกรมมิ่ง

โจทย์

Attention ทำให้แต่ละตำแหน่งในลำดับมองเห็นตำแหน่งอื่นทั้งหมดและผสมข้อมูลของตำแหน่งเหล่านั้น นี่คือแกนหลักของสถาปัตยกรรม Transformer ที่โมเดลภาษาขนาดใหญ่ใช้:

Attention(Q, K, V) = softmax(Q × Kᵀ / √d) × V

สำหรับแต่ละแถว query q:

ให้คะแนนแต่ละแถว key k: score = (q · k) / √d โดย d คือจำนวนคอลัมน์ของ K
เปลี่ยนคะแนนเป็นน้ำหนักด้วย softmax (ลบคะแนนที่มากที่สุดออกก่อนคำนวณ e^x)
แถวเอาต์พุตคือผลรวมถ่วงน้ำหนักของแถว value: Σ weight_j × values[j]

จงเขียน attention(queries, keys, values)

อินพุต

queries: n แถว แต่ละแถวมีตัวเลข d ตัว

keys: m แถว แต่ละแถวมีตัวเลข d ตัว

values: m แถว (หนึ่งแถวต่อ key หนึ่งตัว) แต่ละแถวมีตัวเลข v ตัว

เอาต์พุต

คืนค่าเมทริกซ์เอาต์พุตขนาด n × v

เงื่อนไข

1 ≤ n, m ≤ 50, 1 ≤ d, v ≤ 32

-10 ≤ แต่ละค่า ≤ 10

ตัวอย่าง

ตัวอย่างที่ 1

อินพุต:
keys = [
    [1.0, 0.0],
    [1.0, 0.0]
]
values = [
    [2.0, 4.0],
    [6.0, 8.0]
]
queries = [
    [1.0, 0.0]
]

ผลลัพธ์ที่คาดหวัง:
expected = [
    [4.0, 6.0]
]

อินพุต:
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}
};

ผลลัพธ์ที่คาดหวัง:
std::vector<std::vector<double>> expected = {
    {4.0, 6.0}
};

อินพุต:
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}
};

ผลลัพธ์ที่คาดหวัง:
double[][] expected = new double[][] {
    new double[] {4.0, 6.0}
};

คำอธิบาย

key ทั้งสองให้คะแนนเท่ากัน น้ำหนัก softmax จึงเป็น 0.5 และ 0.5 เอาต์พุตคือค่าเฉลี่ยของแถว value: [(2 + 6) / 2, (4 + 8) / 2] = [4, 6]

ตัวอย่างที่ 2

อินพุต:
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]
]

ผลลัพธ์ที่คาดหวัง:
expected = [
    [3.0]
]

อินพุต:
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}
};

ผลลัพธ์ที่คาดหวัง:
std::vector<std::vector<double>> expected = {
    {3.0}
};

อินพุต:
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}
};

ผลลัพธ์ที่คาดหวัง:
double[][] expected = new double[][] {
    new double[] {3.0}
};

คำอธิบาย

query ที่เป็นศูนย์ได้คะแนน 0 กับทุก key ดังนั้น attention จึงกระจายเท่าๆ กัน: (1 + 2 + 6) / 3 = 3

แหล่งอ้างอิง

โจทย์นี้ปรับให้เหมาะกับ CodeUtility กรุณาทำตามคำชี้แจงและข้อจำกัดด้านบน

Scaled dot-product attention

สิ่งที่คุณจะได้เรียนรู้

โจทย์

อินพุต

เอาต์พุต

เงื่อนไข

ตัวอย่าง

คำอธิบาย

คำอธิบาย

แหล่งอ้างอิง

แนวทางจากชุมชน