attend op• 資料種類:tokens × tokens × tokens → tokens
• 呼叫: import fullseye as fs; fs.ledger.attention_linear(query, key, value, causal: 'bool' = False) -> 'np.ndarray'(要直接呼叫實作,import llmcore; llmcore.attention_linear(query, key, value, causal: 'bool' = False) -> 'np.ndarray';從台帳取用則 opsllmcore.get("attention_linear"))
> 該運算子的說明尚無譯文,以下照原文給出。
softmax を外した注意 → tokens。(QKᵀ)V == Q(KᵀV) —— 結合則そのもの。
Katharopoulos ら 2020。softmax を外すと行列積の結合則が使え、(T, T) を作らずに
(d, dv) の状態だけで足りる。同じ数の別の括り方なので答えは一致し(相対差 7.1e-16)、
計算量は O(T²d) から O(Td²) に移る —— 交差点は T == d(実測: T=d=64 で比 0.9、
T=1024 で 14.6 倍)。★T を 2048 にしても比は 14.4 で頭打ちになる。式が言う 32 倍には
届かない —— 二次の側が帯域律速に入るから。
Args:
query: (T, d) float。
key: (S, d) float。
value: (S, dv) float。`causal=True` では S == T。
causal: True なら「自分より前だけ」を累積状態で足す(逐次 1 回で線形時間)。
Returns:
tokens (T, dv) float: softmax を通していないので行和 1 の凸結合ではない。
`attention_softmax` の代わりではなく、別の注意。
• 範例資料目錄(下載 URL / 授權) —— 2-D 用 skimage.data(BSD/公有領域)加合成圖,3-D 給出真實資料源(Stanford/PDS 等)的下載 URL。
• 運算子來歷與參考文獻 —— 該運算子族所依據的研究/方法出處。
• 演算法的正典(作者・年份)與用途見上面的族使用指南。
• poc_attention_identities — py -3.11 examples/poc_attention_identities.py
tokens 作為輸入)rms_norm · rope_rotate · attention_scores · attention_apply · attention_softmax · attention_tiled · attention_grouped · kv_cache_decode
attend)attention_softmax · attention_tiled · attention_grouped
*Provenance: llmcore.py — LLMCORE 運算子登記表。本條目由 tools/opdocs.py md 自動產生(請勿手動編輯)。*
© 2026 Kazufumi Furuse — Fullseye operator documentation. Licensed under Apache-2.0.