querys 是2*6*2，keys也是2*6*2
attn_scores=querys @ keys.transpose(1,2)attn_scores 最终维度是 2×6×6；数值上是两个矩阵的批量矩阵乘法结果，每个样本对应一个 6×6 的注意力分数矩阵
transpose(1,2) 交换 keys 的第 1 维和第 2 维：keys 原始维度：[2, 6, 2] → 交换后：[2, 2, 6]（第一个位置批维度不变）
PyTorch 中@是批量矩阵乘法，规则：
对于维度为 [B, M, N] 的张量 A 和 [B, N, P] 的张量 B
A@B 的结果维度是 [B, M, P]（B 是批次，保持不变；M×N 乘 N×P 得到 M×P）
importtorch# 1. 构造querys和keys（维度2×6×2，用简单数值方便计算）querys=torch.tensor([# 第0个样本（6个token，每个token2维）[[1,0],[2,1],[0,1],[3,2],[1,1],[0,0]],# 第1个样本（6个token，每个token2维）[[0,1],[1,0],[2,2],[1,2],[0,2],[2,1]]],dtype=torch.float32)# shape=(2,6,2)keys=torch.tensor([# 第0个样本的keys（和querys结构一致）[[1,2],[0,1],[1,0],[2,1],[0,2],[1,1]],# 第1个样本的keys[[2,0],[1,1],[0,2],[2,1],[1,0],[0,2]]],dtype=torch.float32)# shape=(2,6,2)# 2. 执行transpose和矩阵乘法keys_T=keys.transpose(1,2)# shape=(2,2,6)attn_scores=querys @ keys_T# shape=(2,6,6)# 3. 输出结果print("attn_scores维度：",attn_scores.shape)# 输出：torch.Size([2, 6, 6])print("\n第0个样本的注意力分数矩阵（6×6）：")print(attn_scores[0].numpy())# 每个值是query token和key token的点积输出结果解读：
attn_scores维度： torch.Size([2, 6, 6])
第0个样本的注意力分数矩阵（6×6）：
[[ 1. 0. 1. 2. 0. 1.] # 第0个query token对6个key token的分数 [ 4. 1. 2. 5. 2. 3.] # 第1个query token对6个key token的分数 [ 2. 1. 0. 1. 2. 1.] [ 7. 2. 3. 8. 4. 5.] [ 3. 1. 1. 3. 2. 2.] [ 0. 0. 0. 0. 0. 0.]]数值计算验证（以第 0 个样本的第 0 个 query token 为例）：
querys[0,0] = [1, 0]
keys [0,:, :] = 6 个 key token 的 2 维向量：
- 和第 0 个 key token [1,2] 的点积：1×1 + 0×2 = 1 → 对应矩阵 [0,0] 位置的 1
- 和第 1 个 key token [0,1] 的点积：1×0 + 0×1 = 0 → 对应矩阵 [0,1] 位置的 0
- … …
最终得到 6×6 矩阵，每个位置的值是「query 的第 i 个 token」和「key 的第 j 个 token」的点积（即注意力分数）
核心意义（大模型注意力机制中的关注程度）
6×6 的矩阵就是注意力分数矩阵，含义是：
每个样本有 6 个 token，矩阵中 attn_scores[b, i, j] 代表「第 b 个样本中，第 i 个 token 对第 j 个 token 的关注程度」
后续会对这个矩阵做dropout、softmax归一化，得到和为 1 的注意力权重
再和 values 相乘，实现 “每个 token 融合其他 token 的信息”
维度结论：attn_scores = 2×6×6（batch=2，每个样本对应 6×6 的注意力分数矩阵）
计算逻辑：批量矩阵乘法，[2,6,2]@[2,2,6] → [2,6,6]
数值意义：每个元素是 query token 和 key token 的点积，代表二者的相似度（注意力分数）
dropout
训练过程中随机忽略一些隐藏层单元来有效“丢弃”它们，减少模型对特定隐藏层单元的依赖
避免过拟合，同时dropout仅在训练期间使用
nn.Dropout：
对输入张量的每个元素，以概率p（默认0.5）随机设置为0，同时将未被设置0的元素乘以 1/(1-p) 进行缩放
保证输入的期望均值不变
importtorchimporttorch.nnasnn# 1. 定义Dropout层（p=0.5）dropout=nn.Dropout(p=0.5)# 2. 构造输入张量（值全为10，方便计算均值）x=torch.ones(10000)*10# 1万个元素，每个都是10print("原始输入均值：",x.mean().item())# 输出：10.0# 3. 训练模式下执行Dropout（默认train=True）torch.manual_seed(42)# 固定随机种子，结果可复现x_drop=dropout(x)# 4. 计算Dropout后的均值print("Dropout后均值：",x_drop.mean().item())# 输出≈10.0（因随机采样，略有浮动）print("Dropout后非零元素值：",x_drop[x_drop!=0][0].item())# 输出：20.0（10×2）# 5. 验证模式下（eval），Dropout不生效dropout.eval()x_drop_eval=dropout(x)print("验证模式下均值：",x_drop_eval.mean().item())# 输出：10.0（无任何变化）Dropout 是大模型（GPT/BERT/LLaMA）中防止过拟合的核心手段，主要用在这些位置：
全连接层（FeedForward）：大模型的 FFN 层（如 GPT 的 MLP）会在激活函数后加 Dropout（p=0.1~0.3）
注意力层（Attention）：部分模型会在注意力权重计算后加 Dropout，防止对个别 token 过度关注
嵌入层（Embedding）：少量模型会在词嵌入后加 Dropout，降低高频词的过拟合风险
大模型中的FFN 层是Feed-Forward Network（前馈网络）的缩写，也常被称作Position-wise Feed-Forward Network（逐位置前馈网络），是 Transformer 架构（GPT/BERT/LLaMA 等大模型的核心骨架）中编码器 / 解码器层的核心组件之一，和多头注意力层（Multi-Head Attention）并列成为 Transformer 的两大核心模块
