Self-Attention
Self-Attention
Self-Attention은 같은 Sequence 안의 Token들이 서로를 참고해 각 Token 표현을 문맥에 맞게 다시 만드는 연산입니다.
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
Token-to-token relation
노드를 클릭하거나 PLAY FLOW를 눌러 정보가 어떻게 이동하는지 단계별로 확인하세요. 슬라이더는 시각적 영향도를 조절합니다.
이 Topic에서 알아야 할 핵심
✓Token-to-token relation
✓Contextual representation
✓Q/K/V
✓Weighted sum
이해 확인 질문
Q1Self라는 말은 무엇을 의미하는가?
Q2같은 단어도 문맥에 따라 출력 vector가 달라지는 이유는?
CATEGORY
ATTENTIONTransformer의 핵심인 Attention 계산을 Q/K/V 이전부터 단계별로 분해합니다.
CURRENT PATH
11.10 Self-Attention이 Topic의 위치와 앞뒤 순서를 항상 Curriculum 기준으로 유지합니다.