attention_grouped — LLMCORE `attend` op

• 데이터 종류: tokens × tokens × tokens → tokens

• 호출: import fullseye as fs; fs.ledger.attention_grouped(query, key, value, n_heads: 'int', n_kv_heads: 'int', mask=None, window=None) -> 'np.ndarray'(구현을 직접 호출하려면 import llmcore; llmcore.attention_grouped(query, key, value, n_heads: 'int', n_kv_heads: 'int', mask=None, window=None) -> 'np.ndarray', 원장에서 가져오려면 opsllmcore.get("attention_grouped"))

사용법

> 이 연산자의 설명은 아직 번역이 없습니다. 원문을 그대로 싣습니다.

頭を束ねる注意(GQA)→ tokens。n_kv_heads == n_heads で MHA、== 1 で MQA に厳密一致。

Ainslie ら 2023。query は `n_heads 本に割り、key/value は n_kv_heads` 本しか

持たずに使い回す。両端が既存の 2 つ(MHA / MQA)に厳密に落ちる(どちらも 0.0e+00)

ので、「中間を取る」という主張が端で検算できる。

Args:

query: (T, n_heads·dh) float。頭ごとに幅 dh で並んでいる。

key: (S, n_kv_heads·dh) float。

value: (S, n_kv_heads·dh) float。

n_heads: query の頭の数。`n_kv_heads` の倍数であること。

n_kv_heads: key/value の頭の数。1 なら MQA、`n_heads` なら MHA。

mask: None / `"causal" / "window"` / (T, S) の bool 配列。

window: `mask="window"` のときの窓幅。

Returns:

tokens (T, n_heads·dh) float: 頭ごとの出力を横に連結したもの。

자세한 사용 가이드

• llmcore 패밀리 가이드

참고(샘플 데이터·문헌)

• 샘플 데이터 카탈로그(DL URL / 라이선스) —— 2-D 는 skimage.data(BSD/public)+ 합성, 3-D 는 실데이터 소스(Stanford/PDS 등)의 DL URL.

• 연산자의 내력·참고문헌 —— 이 연산자 족의 바탕이 된 연구/기법의 출처.

• 알고리즘의 정전(저자·연도)과 용도는 위의 패밀리 사용 가이드에 적혀 있습니다.

실행 가능한 예제(이 연산자를 실제로 호출하는 검증된 샘플)

• poc_attention_identities — py -3.11 examples/poc_attention_identities.py

타입이 이어지는 다음 연산자(`tokens` 를 입력으로 받는 것)

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

같은 카테고리(`attend`)

attention_softmax · attention_tiled · attention_linear

*Provenance: llmcore.py — LLMCORE 연산자 레지스트리. 이 op 노트는 tools/opdocs.py md 가 자동 생성합니다(직접 편집하지 마세요).*

attention_grouped — LLMCORE attend op

사용법