LLM 前沿架构笔记：多头注意力机制（Attention）的进阶优化策略
在现代 LLM（比如 Qwen、LLaMA 家族等）中，Transformer 的标准多头注意力（MHA）结构正面临表征能力与显存消耗的双重挑战。主流解决思路主要有以下两类：
核心痛点
表征维度受限
- 标准 MHA 将隐藏层特征均分到各头，单头维度（d_{head}）小于主干宽度（hidden_size），易造成信息压缩损失。
显存墙（Memory Wall）
- 推理阶段（自回归生成时），KV Cache 需存储长序列全部的 Key/Value，特别是高上下文窗口（128K+）下，显存压力骤增。
优化策略一：特征维度解耦（Decoupled Head Dimension）
核心思想
打破「单头维度 = hidden_size / num_heads」的传统，将每个 Attention Head 的特征维度设为独立可控的更大值，提升表征能力。
具体示例（hidden_size = 2048, num_heads = 16）
- 传统做法（强绑定）：
dhead, old=hidden_sizenum_heads=204816=128d_{head,\\,old} = \\frac{hidden\\_size}{num\\_heads} = \\frac{2048}{16} = 128dhead,old=num_headshidden_size=162048=128
- 解耦做法（升维举例：head_dim=256）：
dhead, new=256 (显式指定)d_{head,\\,new} = 256\\ \\text{(显式指定)}dhead,new=256 (显式指定)
总内部特征提升为：
Internal Attention Dim=num_heads×dhead, new=16×256=4096\\text{Internal Attention Dim} = num\\_heads \\times d_{head,\\,new} = 16 \\times 256 = 4096Internal Attention Dim=num_heads×dhead,new=16×256=4096
计算过程
输入特征矩阵 X（形状 L × 2048），经投影后：
Q=X⋅WQQ = X \\cdot W_QQ=X⋅WQ
其中，
WQ∈R2048×4096W_Q \\in \\mathbb{R}^{2048 \\times 4096}WQ∈R2048×4096
变换后，
Q∈RL×4096Q \\in \\mathbb{R}^{L \\times 4096}Q∈RL×4096
Reshape 为多个头：
Qreshaped∈RL×16×256Q_{reshaped} \\in \\mathbb{R}^{L \\times 16 \\times 256}Qreshaped∈RL×16×256
优势：
- 提升了注意力内部的表达容量
- 不增加主干（残差流）参数量和算力压力
优化策略二：分组查询注意力（Grouped Query Attention, GQA）
核心思想
让多个 Query 头共用较少数量的 Key/Value 头，是 MHA（每个 Q 头配一个 KV 头）与 MQA（所有 Q 头共用 1 组 KV）之间的"折中"：
机制细节（以 16 个 Attention 头，2 个 KV 头举例）
输入 X（L × 2048），投影生成 K、V：
K=X⋅WK K = X \\cdot W_KK=X⋅WK
V=X⋅WVV = X \\cdot W_VV=X⋅WV
其中
WK,WV∈R2048×(2×256)W_K, W_V \\in \\mathbb{R}^{2048 \\times (2 \\times 256)}WK,WV∈R2048×(2×256)
输出
K,V∈RL×2×256 K, V \\in \\mathbb{R}^{L \\times 2 \\times 256}K,V∈RL×2×256
Query 头分组后，按如下方式共享 KV（假设 16 Q 头/2 组，每组 8 个）：
- 第 0～7 个 Q 头，对应第 0 号 K/V 头
- 第 8～15 个 Q 头，对应第 1 号 K/V 头
组内做标准缩放点积注意力：
Attention(Q,K,V)=softmax(QKTdk)V Attention(Q, K, V) = \\text{softmax}\\left(\\frac{Q K^T}{\\sqrt{d_k}}\\right) VAttention(Q,K,V)=softmax(dkQKT)V
其中，dk=256d_k = 256dk=256
优势
- 极致显存优化：KV Cache 从 16 头降为 2 头，显存为原来的 1/8
- 性能无损：大模型实验表明，GQA 下推理/生成能力几乎无损
总结
| 维度解耦 | 表征能力提升 | dhead⟶更大可控d_{head} \\longrightarrow \\text{更大可控}dhead⟶更大可控 | 特征自由度大幅提升 |
| 分组查询(GQA) | KV Cache 显存极致缩减 | 原KV头数分组合并数\\frac{\\text{原KV头数}}{\\text{分组合并数}}分组合并数原KV头数 | 推理显存消耗降低 N 倍 |
| 注意力计算（通用） | – | Attention(Q,K,V)=softmax(QKTdk)V\\text{Attention}(Q, K, V) = \\text{softmax}\\left(\\frac{Q K^T}{\\sqrt{d_k}}\\right) VAttention(Q,K,V)=softmax(dkQKT)V | – |
公式用法注意：如需插入 LateX 代码块，形式为：
Q=X⋅WQQ = X \\cdot W_QQ=X⋅WQ
