attention_weights — LLMCORE `score` op

• Datenarten: attnmap → attnmap

• Aufruf: import fullseye as fs; fs.ledger.attention_weights(scores, mask=None, window=None) -> 'np.ndarray' (die Implementierung direkt: import llmcore; llmcore.attention_weights(scores, mask=None, window=None) -> 'np.ndarray'; aus dem Register: opsllmcore.get("attention_weights"))

Verwendung

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

行ごとの softmax(マスクつき)→ attnmap。行和は 1、mask 位置は厳密に 0。

行ごとに最大値を引いてから指数を取る。これは飾りではない —— 引かずに `exp` すると

スコアが大きいとき全行が inf/NaN になる(実測: 96 行中 96 行)。引けば 0 行。

Args:

scores: (T, T) float の生スコア(`attention_scores` の出力)。

mask: None(全対)/ `"causal"(下三角)/ "window"(幅 window` の因果窓)/

(T, T) の bool 配列。True が「見てよい」。

window: `mask="window"` のときの窓幅(自分を含む個数)。

Returns:

attnmap (T, T) float: 各行が確率分布(和 1)。mask が False の位置は厳密に 0。

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_apply

Gleiche Kategorie (`score`)

attention_scores · attention_apply

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

attention_weights — LLMCORE score op