fullseye

attention_softmax — LLMCORE `attend` op

データ種: tokens × tokens × tokens → tokens
呼び出し: import fullseye as fs; fs.ledger.attention_softmax(query, key, value, mask=None, window=None, scale=None) -> 'np.ndarray' (実装を直接呼ぶなら import llmcore; llmcore.attention_softmax(query, key, value, mask=None, window=None, scale=None) -> 'np.ndarray'、台帳から引くなら opsllmcore.get("attention_softmax"))

使い方

一括の注意(参照実装)→ tokens。この族の答え合わせの基準。

(T, T) のスコア行列を実際に作ってから softmax する、いちばん素直な書き方。 attention_tiled / attention_linear / attention_grouped はこれと一致することで正しさを示す。

Args: query: (T, d) float。 key: (S, d) float。 value: (S, dv) float。 mask: None / "causal" / "window" / (T, S) の bool 配列。 window: mask="window" のときの窓幅。 scale: スコアの倍率。None なら 1/√d。 Returns: tokens (T, dv) float: 注意で混ぜた列。

詳しい使い方ガイド

llmcore ファミリガイド

参考(サンプルデータ・文献)

サンプルデータカタログ(DL URL / ライセンス) — 2-D は skimage.data(BSD/public)+ 合成、3-D は実データ源(Stanford/PDS 等)の DL URL。
演算子の来歴・参考文献 — この op 族の元になった研究/手法の出典。
アルゴリズムの正典(著者・年)と用途は上記ファミリ使い方ガイドに記載。

実行できる例(この op を実際に呼ぶ検証済みサンプル)

poc_attention_identities — py -3.11 examples/poc_attention_identities.py

型が繋がる次の op(`tokens` を入力に取れる)

rms_norm · rope_rotate · attention_scores · attention_apply · attention_tiled · attention_linear · attention_grouped · kv_cache_decode

同カテゴリ(`attend`)

attention_tiled · attention_linear · attention_grouped

Provenance: llmcore.py — LLMCORE operator registry. この per-op ノートは tools/opdocs.py md が自動生成(手編集しない)。

This site is open source. Improve this page.