影片狀態：已查核：官方公開頁未列對應錄影。 影片來源與說明
Lecture 19 的模型只用一個前 token 預測下一個。CMU 07-280 Spring 2026 Lecture 20 問：要同時利用整段 context，該如何保留位置，又讓模型依目前 token 決定要看哪裡？官方題目是 Attention & Transformers，投影片從平均 context vectors 一步步推到 GPT-2 skeleton。
承上問題：平均所有 context 會忘記順序與關聯
把 T 個 embeddings 平均，能把多 token context 壓成一個 vector：
[ v'=\frac{1}{T}\sum_{t=1}^{T}v_t. ]
可是平均對排列不敏感；dog bites man 和 man bites dog 可能得到同一結果。Transformer 本身也沒有內建位置概念，所以投影片先加入 sinusoidal positional encoding，另展示 rotary position encoding（RoPE）的二維直覺。
只有位置仍不夠。平均讓每個 token 權重相同，但預測 eat 後面的詞時，某些 context 應該比其他詞重要。Attention 把固定平均換成依 query 計算的 weighted average。
完整概念脈絡：Q、K、V 各自負責什麼
令輸入矩陣 X∈R^{T×d_model}。三組 learned linear transforms 產生：
[ Q=XW_Q,\qquad K=XW_K,\qquad V=XW_V. ]
Q 表示每個位置正在尋找什麼；K 表示每個位置可被匹配的索引；V 是匹配後真正被加權組合的內容。Scaled dot-product attention 是：
[ S=\frac{QK^\top}{\sqrt{d_k}},\quad A=\operatorname{softmax}_{row}(S),\quad Z=AV. ]
投影片的 PDF 文字抽取有時把根號遺失，但 Recitation 11 明確寫出 √d_k。縮放用來避免 dimension 變大時 dot products 過大，讓 softmax 太早飽和。
Autoregressive LM 不能在預測位置 t 時偷看未來 tokens。Causal mask 在 j>t 的 score 填 -∞，softmax 後成為零。Multi-head attention 則用多組 W_Q,W_K,W_V 平行建立不同加權，再 concatenate。Transformer block 還加入 feed-forward layers、residual connections 與 layer normalization。
可重做推導：兩個 token 的 causal attention
設 d_k=1，兩個 token 的 scalar queries、keys、values 為：
Q = [1, 2]^T
K = [1, 3]^T
V = [10, 20]^T未遮罩 scores 是：
[ QK^T=\begin{bmatrix}1&3\2&6\end{bmatrix}. ]
加 causal mask 後第一列變 [1,-∞]，softmax 是 [1,0]，所以第一位置輸出 10。第二列可看兩位置，softmax([2,6])≈[0.018,0.982]，輸出約：
[ 0.018(10)+0.982(20)=19.82. ]
這個例子呈現 causal self-attention 的兩個性質：每一列是一個 query 的 probability distribution；可見 context 隨位置增加，未來位置永遠沒有權重。
Dimension 也能直接核對。若 Q,K∈R^{T×d_k}，則 S,A∈R^{T×T}；V∈R^{T×d_v}，所以 Z=AV∈R^{T×d_v}。Recitation 11 專門要求學生追這些 shapes，因為實作錯誤最常藏在 transpose 與 softmax axis。
Recitation／HW 對應
Recitation 11 比較 pico 與 femto minGPT，要求辨認 word embeddings、attention heads、layers 與 embedding size，再追蹤 QKᵀ、attention matrix 的 dimensions。官方解答指出 femto 是 1 head／1 layer／embedding 2，pico 是 3 heads／3 layers／embedding 6；這只是教學模型設定，不是 GPT-2 的正式規模。
HW11 的 Building GPT2 要求繪製 training loss、perplexity，並以不同 prompts 與 temperatures 生成。Lecture 20 提供的是 model internals；HW11 把它變成 end-to-end system。公開題目沒有提供完整課堂運算資源與評分回饋。
延伸對照：attention 不是解釋本身
Attention weights 告訴我們某一 head 在該 forward pass 如何組合 values，不能自動等同模型的因果解釋。Residual paths、後續 layers 與多 heads 都會再改變表示。把 attention map 當檢查工具可以，把它當完整 reasoning trace 就超出本講材料支持的範圍。
與 N-gram 相比，attention 能依 query 動態選 context，且共享連續向量參數；代價是 T×T attention matrix 的計算與記憶體成本，還有較難逐項稽核的 learned representation。
今晚可做動作
拿 T=3,d_k=2 的小矩陣，手算 QKᵀ/√2、causal mask、row-wise softmax 與 AV。接著寫十行 NumPy 重算，逐一 assert shapes。最後故意把 softmax 改成 column-wise，看每列是否還加總為一；這能比背公式更快抓到實作錯誤。
課程影片來源
已核對 Spring 2026 官方課表：對應講次公開列出投影片、講義與練習，未列本課講次的公開錄影連結，因此本文提供教材入口，沒有對應講次播放器。課表中的 Géron／Karpathy 影片是延伸閱讀，CMU-Qatar NumPy 錄影是另列的 Recitation 0，均不能當成本文講次錄影。
官方來源：
查核日期：2026-10-10。
官方材料與讀取範圍
本文完整讀取 Lecture 20 slides、Recitation 11 與解答，並以 HW11 核對 Building GPT2 對應。官方頁沒有 Spring 2026 逐講公開錄影，因此不描述 slide animation 的現場節奏或教師口述。
Recitation 的 minGPT notebook 位於外部環境；公開 PDF 可確認模型比較、dimension exercises 與示範答案，但不等於完整 notebook／autograder 都匿名開放。
更新紀錄
- 2026-10-10：標註影片狀態，核對錄影來源與取得方式。
- 2026-10-10：重查影片狀態。即時回官方課程頁與公開影音來源查證，仍未找到該講公開錄影，狀態維持不變。
參考資料
Loading...