attention_weights — LLMCORE `score` op

• 데이터 종류: attnmap → attnmap

• 호출: import fullseye as fs; fs.ledger.attention_weights(scores, mask=None, window=None) -> 'np.ndarray'(구현을 직접 호출하려면 import llmcore; llmcore.attention_weights(scores, mask=None, window=None) -> 'np.ndarray', 원장에서 가져오려면 opsllmcore.get("attention_weights"))

사용법

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

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。

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(`attnmap` 를 입력으로 받는 것)

attention_apply

같은 카테고리(`score`)

attention_scores · attention_apply

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

attention_weights — LLMCORE score op

사용법