视频领域的时间注意力模块：把每一帧（或每个时间 token）当成一个 token，沿时间维做注意力

下面用PyTorch 代码把 CV（视频/时序视觉）里最常见的“时间注意力（Temporal Attention）模块”讲清楚：它们本质上都是在时间维 T上做加权/交互，让模型能建模跨帧依赖（动作、事件、时序一致性等）。

我统一用视频特征张量形状：

• 输入：x形状为(B, T, C, H, W)
• 常见做法：先把空间压缩（pool）成(B, T, C)，再在时间维做 attention（更省显存）

---

0) 时间注意力的核心公式（时间维 Self-Attention）

把每一帧（或每个时间 token）当成一个 token，沿时间维做注意力：

Q=XWQ,K=XWK,V=XWVQ = XW_Q,\quad K = XW_K,\quad V = XW_VQ