问题描述
原论文中说，之所以需要对scaled self-attention进行scale，是因为“点积的量级变大了，把softmax函数推到了梯度极小的区域”。
所以如果问题是输入中的一个大值或者某个大值会使softmax的梯度变得稀疏，为什么最后一层Transformer（分类层，即带有softmax的前馈网络）不需要scaling输入？
也就是说，我们知道softmax是机器学习中很常见的一个函数，为什么它在self-attention场景中只接受scaled input？
解决方法
暂无找到可以解决该程序问题的有效方法，小编努力寻找整理中！
如果你已经找到好的解决方法，欢迎将解决方案带上本链接一起发送给小编。
小编邮箱:dio#foxmail.com (将#修改为@）