Multi-Head Attention
Multi-Head Attention
Multi-Head Attention은 Attention을 여러 Head로 나누어 서로 다른 projection 공간에서 관계를 동시에 학습한 뒤 다시 결합합니다.
WHY SHOULD I KNOW THIS?
왜 알아야 하나?
Attention을 이름만 암기하지 않고 실제 데이터가 변환되는 과정을 이해하기 위한 핵심 연결점입니다. 이후 Transformer·LLM 학습에서 이 흐름이 반복해서 사용됩니다.
WHERE IS IT USED?
어디에 사용되나?
TransformerLLMVision Transformer멀티모달
TRANSFORMER FLOW
01Token→
02Embedding→
03Attention→
04Add & Norm→
05FFN→
06Output
QUERY cat
QKᵀ / √d → Softmax → Σ(weight × V)
ATTENTION WEIGHTS
각 막대는 현재 Query가 각 Key/Value를 얼마나 참고하는지 나타냅니다.
Σ weights = 1.00
Σ weights = 1.00
INTERACTIVE CONCEPT LABATTENTION LAB
CURRENT STAGE1 / 6 · Token
Attention head
노드를 클릭하거나 PLAY FLOW를 눌러 정보가 어떻게 이동하는지 단계별로 확인하세요. 슬라이더는 시각적 영향도를 조절합니다.
이 Topic에서 알아야 할 핵심
✓Attention head
✓Parallel relations
✓Projection
✓Concatenation
이해 확인 질문
Q1Head가 여러 개면 어떤 종류의 관계를 나눠 볼 수 있는가?
Q2각 Head 결과는 최종적으로 어떻게 합쳐지는가?
CATEGORY
ATTENTIONTransformer의 핵심인 Attention 계산을 Q/K/V 이전부터 단계별로 분해합니다.
CURRENT PATH
11.12 Multi-Head Attention이 Topic의 위치와 앞뒤 순서를 항상 Curriculum 기준으로 유지합니다.