attention_scores — LLMCORE `score` op

• Datenarten: tokens × tokens → attnmap

• Aufruf: import fullseye as fs; fs.ledger.attention_scores(query, key, scale=None) -> 'np.ndarray' (die Implementierung direkt: import llmcore; llmcore.attention_scores(query, key, scale=None) -> 'np.ndarray'; aus dem Register: opsllmcore.get("attention_scores"))

Verwendung

> Für diesen Operator gibt es noch keine Übersetzung. Es folgt der Originaltext unverändert.

生の注意スコア QKᵀ/√d → attnmap (T, S)。

Args:

query: (T, d) float。問い合わせる側。

key: (S, d) float。引かれる側。d は query と同じ。

scale: スコアの倍率。None なら 1/√d(Vaswani ら 2017 —— 内積が d に比例して

育ち softmax が尖るのを打ち消す)。

Returns:

attnmap (T, S) float: softmax にかける前の生のスコア。

Ausführlicher Anwendungsleitfaden

• Leitfaden zur Familie llmcore

Referenzen (Beispieldaten, Literatur)

• Katalog der Beispieldaten (Download-URLs / Lizenzen) — 2-D nutzt skimage.data (BSD/Public Domain) plus synthetische Bilder, 3-D nennt Download-URLs echter Datenquellen (Stanford, PDS, …).

• Herkunft und Literatur der Operatoren — die Quellen der Forschung/Verfahren, auf denen diese Operatorfamilie beruht.

• Der kanonische Algorithmus (Autor, Jahr) und seine Anwendungen stehen im Familienleitfaden oben.

Ausführbare Beispiele (verifizierte Samples, die diesen Operator wirklich aufrufen)

• poc_attention_identities — py -3.11 examples/poc_attention_identities.py

Typkompatible Folge-Operatoren (nehmen `attnmap` als Eingabe)

attention_weights · attention_apply

Gleiche Kategorie (`score`)

attention_weights · attention_apply

*Provenance: llmcore.py — LLMCORE Operator-Registry. Diese Notiz wird von tools/opdocs.py md erzeugt (nicht von Hand bearbeiten).*

attention_scores — LLMCORE score op