这篇主要介绍Two-Layer Attention-Only Transformers部分的内容

Two-Layer Attention-Only Transformers

深度学习研究的模型都很”深“，也就是说它们都由很多层组成。从经验上来看，这类模型非常强大。但是，这种强大是从何而来呢？直觉上来讲，模型的深度允许执行组合操作，进而产生了强大的表现力。

Attention heads的组合是one-layer attention-only transformers和two-layer attention-only transformers之间主要的区别。如果没有对attention heads进行组合，那么two-layer模型将会使用更多的attention heads来实现skip-trigrams。但是，在实际中，two-layer模型发现了利用attention heads组合的方法来表达一种更强大的机制来 完成上下文学习。在模型进行这样的操作时，attention heads变得更像是一个运行算法的计算机程序，而不是一个之前在one-layer模型中看到的skip-trigrams的查找表。

Three Kinds of Composition

在这个系列的第一篇中提到了residual stream可以作为一种通信通道。在residual stream中，每个attention head读取由 $W_Q,W_K,W_V$ 决定的residual stream的子空间，然后写入某个由 $W_O$ 决定的子空间。因此，attention head vectors的尺寸要小于residual stream的尺寸（($d_{head}/d_{model}$)的值域为$[1/10,1/100]$），attention heads在较小的子空间上运行，可以很容易地避免大量交互。

attention heads有以下三种组合方式：

• Q-Composition：
  $W_Q$ 读入一个由前一个head影响的子空间。
• K-Composition：
  $W_K$ 读入一个由前一个head影响的子空间。
• V-Composition：
  $W_V$ 读入一个由前一个head影响的子空间。

Q-Composition和K-Composition与V-Composition有很大的不同。Q-Composition和K-Composition都会影响注意力模式，允许attention heads表示更为复杂的模式。另一方面，当一个attention head关注一个给定的位置时，V-Composition会影响该attention head从所关注位置移动的信息；这就使V-composed heads实际上表现的更像一个单独的单元，并且可以认为是创建了一个额外的”virtual attention heads “。将信息的移动与信息的移动组合起来会产生信息的移动，但是attention heads对注意力模式的影响不会因这种组合方式而减少。

为了真正地了解这三种组合方式，作者将再一次研究OV数据流程和QK数据流程。

Path Expansion of Logits

关于transformer的一个最基本的问题是“logits是如何计算的？”。

按照作者针对one-layer模型的研究方法，列出了一个乘法表达式，表达式中每一项都是模型中的一个层。然后将表达式进行扩展为加法表达式，其中每一项都是一条贯穿模型的端到端路径。如图1. 所示，第一行的公式为乘法表达式，每一项是模型中的一层；第二行的公式为扩展后的加法表达式，每一项都是贯穿模型的一条端到端路径。

Two of these terms, the direct path term and individual head terms, are identical to the one-layer model. The final “virtual attention head” term corresponds to V-Composition. Virtual attention heads are conceptually very interesting, and we’ll discuss them more later. However, in practice, we’ll find that they tend to not play a significant role in small two-layer models.

在组成图 1表达式的各项中，direct path项和individual attention head项与one-layer模型的一致。最后的”virtual attention head “与V-Composition对应。virtual attention heads会在后续内容进行介绍，并且作者发现，在实际应用中，virtual attention heads不会在较小的two-layer模型中发挥重要作用。

Path Expansion of Attention Scores QK Circuit

如果仅关注logit路径扩展就会忽略了可能是two-layer attention-only transformer中最具差异性的根本属性：Q-composition和K-composition。这一属性使two-layer attention-only transformer拥有更具表现力的第二层注意力模式。

为了了解这一属性，需要查看计算注意力模式的QK数据流程。对于一个attention head $h$，其注意力模式为 $A^h=softmax(t^T{C}_{QK}^{h}t)$，其中 $C_{QK}^h$ 是将tokens映射为注意力分值的QK数据流程。对于第一层attention heads，QK数据流程与one-layer model中所用的矩阵一致： $C_{QK}^{h\in H_1}=W_E^T{W}_{QK}^h{W}_E$ 。

但是对于第二层的QK-circuit：Q-composition和K-composition都在增加表现力这一点上发挥作用，同时，前一层attention heads也可能会影响keys和queries的构造；最后， $W_{QK}$作用于residual stream。

• 在第一层的情况下， $W_{QK}$简化为仅作用于token嵌入：$C_{QK}^{h\in H_1}=x_0^T{W}_{QK}^h{x}_0=W_E^T{W}_{QK}^h{W}_E$，
• 但是对于第二层，
  $C_{QK}^{h\in H_2}=x_1^T{W}_{QK}^h{x}_1$ 作用于$x_1$，即第一层attention heads后面的residual stream。

可以将这一行为采用乘积表示，即第一层同时在key和query的那一侧。那么，就可以对乘积表达式使用路径扩展方法了。

上述的一个复杂因素是需要将乘积表达式表示为一个6维的tensor，在矩阵上使用两个张量积。这么做是因为需要表达一个形如
$[n_{context},d_{model}]\times [n_{context},d_{model}]\to [n_{context},n_{context}]$ 的多线性函数。在one-layer的情况下，可以通过隐式地做一个外积来避开这一操作，但是在two-layer的情况下不再有效。很自然地可以想到使用一个 (4,2)-tensor 表示该6维tensor（4个输入维度，2个输出维度）。表达式中的每一项的形式都为 $A_q\otimes A_k\otimes W$，其中 $x(A_q\otimes A_k\otimes W)y=A_q^{T}xWy{A}_k$，意味着 $A_q$ 描述了tokens之间query侧的信息移动，$A_k$描述了tokens之间key侧的信息移动，W 描述了 $A_q$ 和 $A_k$ 是如何通过相乘来生成注意力分值的。

图中第一行，从左至右：
第一项为query side residual stream，由layer 1的直接路径和layer 1的attention heads组成，其输出是layer 2的输入。
第三项为key side residual stream，由layer 1的直接路径和layer 1的attention heads组成，其输出是layer 2的输入。
第二项是layer 2 head的 $W_{QK}$ ，将第一项和第三项的sides合并至注意力分值。
图 2中第二行，从左至右：
第一项：不具有合并功能的项。表示layer 1沿着query side和key side的直接路径。
第二项：对应纯粹的Q-composition。query side由前一个attention head生成，key side由layer 1的直接路径生成。
图 2中第三行，从左至右：
第一项：对应纯粹的K-composition。key的一部分由前一个attention head生成，query side由layer 1的直接路径生成。
第二项：Q-composition和K-composition之间的相互作用。query side和key side由前一个attention head生成

上图所示公式中的每一项都对应了模型中的一条路径，模型基于该路径可以实现更为复杂的注意力模式。抽象地说，很难对图中的公式进行推理。但是，当讨论induction heads时，将会使用一个具体的例子来再次进行研究。

Analyzing a Two-Layer Model

至此，作者已经构建了一个用于理解two-layer attention-only models的理论模型。得到了一个描述logits（OV数据流程）的整体方程，一个描述每个attention head的注意力模式（QK数据流程）是如何计算的方程。为了在实际中理解上述方程，作者对一个two-layer 模型进行了逆向工程。

two-layer模型和ong-layer模型之间的主要区别就是Q-composition，K-composition，V-composition。如果没有composition，那么two-layer模型仅是一个具有额外attention heads的one-layer模型。

小的two-layer模型通常（尽管并非总是）具有一个非常简单的composition结构，其唯一的composition类型是一个单独first layer head和部分second layer heads之间的K-composition。接下来的图表中显示了模型中，位于first layer和second layer之间需要被分析的Q-composition，K-composition和V-composition。作者根据其对每个head的行为的理解，对各个head进行了着色。first layer head具有非常简单的注意力模式：主要是关注前一个token，然后以较小的程度关注当前token和后面的两个tokens。second layer heads是作者所说的induction heads（就叫感应头吧，不知道咋翻译）。

图3显示了first layer attention heads和second layer attention heads之间的Q-composition，K-composition，V-composition。那么，如何计算一个second layer head的query、key、value向量从一个给定的first layer head中读取了多少信息。作者通过检测相关矩阵的乘积的Frobenius norm除以各个相关矩阵的norm的结果来计算读取的信息量。
对于Q-composition， $||{W_{QK}^{h_2}}^T{W}_{OV}^{h_1}|{|}_F/(||{W_{QK}^{h_2}}^T|{|}_F||W_{OV}^{h_1}|{|}_F)$，
对于K-composition， $||W_{QK}^{h_2}{W}_{OV}^{h_1}|{|}_F/(||W_{QK}^{h_2}|{|}_F||W_{OV}^{h_1}|{|}_F)$，
对于V-composition， $||W_{OV}^{h_2}{W}_{OV}^{h_1}|{|}_F/(||W_{OV}^{h_2}|{|}_F||W_{OV}^{h_1}|{|}_F)$。
默认情况下，针对具有相同形状的随机矩阵（大多数attention heads的composition比随机矩阵要小），作者降低了其经验预期量。在实际中，对于这个模型，只有显著的K-composition，并且该模型只有一层，0个head。

从上图可以看出，大多数attention heads都没有参与实质性的composition。我们可以粗略地认为它们是一个更大的skip-trigram。该two-layer模型有一个谜题需要弄清楚，但是该谜题涉及的范围相当狭窄。（作者推测，在某种意义上a couple induction heads会“胜过”一些潜在的skip-trigram heads，但是其他类型的composition无法做到这一点。也就是说，在小模型中，拥有更多的skip-trigram heads是second layer attention heads的一种竞争性使用。）

在后续几个部分，作者将构建一个关于“当前正在发生的情况”的理论，但是在作者开展构建之前，作者使用下面的交互图表来探索attention heads，所使用的图表显示了《哈利波特与魔法石》第一段的value-weighted 注意力模式。作者使用了与前文相同的机制对参与了K-composition的attention heads进行着色。（这种方法增加了研究其他heads的难度，如果读者感兴趣，可以访问该链接，该链接是一个用于一般性探索的接口。Paper1_AttentionMulti）

可以点进去看看，动态效果

上图显示了各种注意头的值加权注意模式；即注意按源位置的值向量的范数缩放的注意力模式$||v_{src}^h||$。[即，注意力模式中的注意力权重被位于源位置的value vector的norm $||v_{src}^h||$ 缩放]
您可以将值加权注意力模式视为显示“矢量从每个位置移动的有多大”。（Kobayashi等人最近也引入了这种方法。[16] ）这特别有用，因为当没有tokens与attention heads当前正在寻找的目标匹配时，attention heads有时会使用某些特定tokens作为一种默认或静止位置；这些默认位置的value vector会很小，因此value-weighted模式更能够增加信息量。
该界面允许attention heads进行隔离，显示整体注意力模式，并且允许探索单个tokens的注意力。K-composition涉及的attention heads使用了与上述相同的方法进行着色。作者建议尝试隔离这些heads。

作者建议单独地对每个head进行隔离，并且将鼠标悬停在tokens上的同时，观察注意力模式。对于induction heads，特别要注意注意力模式中的非对角线部分，以及组成Dursley和Potters的tokens的行为。

如果仔细观察，可以注意到浅绿色的induction heads通常会返回到下一个token的前一个实例。作者将在下一节对此进行研究。

Induction Heads

在小型two-layer attention-only transformers中，composition似乎主要用于一个目的：创建induction heads。在之前的研究中，one-layer模型将其大部分容量分配给了执行复制操作的heads，作为一个实现上下文学习的粗略方式。Induction heads是实现上下文学习的更强大的机制。【作者在该篇论文中详细地介绍了induction heads在上下文学习中的重要性，In-context Learning and Induction Heads】。

Induction heads的功能

Induction heads在上下文中搜索当前tokens的前一个示例。如果它们没有找到，它们会关注第一个token（在作者的例子中，一个位于开始位置的特殊token），并且什么操作也不做。但如果它们找到了该示例，它们就会查看下一个token并复制该token。这允许它们能够精确地和近似地重复先前的tokens序列。

Induction heads与one-layer模型中观测到的上下文学习类型：

• One-layer模型的复制head： [b]…[a]→[b]
  • 当token化的罕见行为被允许时： [ab]…[a]→[b]
• Two-layer模型的induction head： [a][b]…[a]→[b]

Two-layer算法的性能更加强大。该算法能够知道token在之前是如何被使用的，并且能够查找相似的情况，而不是简单地寻找可能重复一个token的位置。这能够使算法在这些情况下做出更有信心的预测。该算法也不太容易收到分布转移的影响，因为它不依赖于学习到的关于一个token是否可以合理地跟随另一个token的统计数据。（稍后我们将看到induction heads可以操作完全随机的tokens的重复序列）。

图中的例子突出了哈利波特第一段中induction heads有助于预测tokens的几个案例。

假设induction heads正在关注token的前一个副本并向前移动，heads应该能够在完全随机的重复模式上做到这一点。这可能是heads能够遇到的最难的测试，因为heads不能依赖于哪些tokens通常出现在其他tokens之后的常规统计数据。由于tokens是从作者的词汇表中均匀随机采样的，因此作者将词汇表中第n个token表示为<n>，特殊标记<START>除外。（这完全不在分布内。只要保证重复序列更容易再次出现这一更为抽象的属性成立，那么Induction heads就能够在完全不同的分布上运行。）

图6似乎是很有力的证据，能够证明induction heads的假设是正确的。现在已经知道了K-composition在two-layer模型中的作用。接下来的问题是K-composition如何做到的。

Induction heads是如何工作的

Induction heads的核心技巧是key是从向后移动一个token的tokens中计算得到的。query搜索“相似的”key vector，但是由于keys被移动了，所以寻找下一个token。

在residual stream（不同于旋转注意力）中可以使用位置嵌入的模型，有另一种实现induction heads的算法；可以参阅作者对transformer中位置嵌入和指针技术的直观理解。
图7中的例子来源于具有更为复杂的induction heads的更大的模型：

QK数据流程可以通过tokens来扩展，而不是attention heads。图中，key和query的强度表示每个token增加注意力分值的量。Logit结果是OV数据流程。

创建一个induction head的最基础方法是使用K-composition和前一个token head，将key vector向前移动一个token。这就在QK数据流程中生成了一个形式为 $Id\otimes A^{h-1}\otimes W$ 的项。（ $A^{h-1}$定义了一个关注前一个token的注意力模式。）如果 W 匹配tokens相同的情况，那么 W就是QK版本的“执行复制操作矩阵”，那么当源位置之前的上一个token于目标token相同时，该项将增加注意力分值。（Induction heads可以比这更加复杂；例如，其它two-layer模型构建了一个attention head，该head关注比前一个token还要稍远一些的token，很可能生成一个形如 $A^{h-1}\otimes A^{h-2}\otimes W$的项，进而使heads能够匹配更远的内容。）

CHECKING THE MECHANISTIC THEORY

作者在之前提出的针对transformer的机械式解释理论表明induction heads必备两个功能：

• 拥有一个“copying”OV数据流程矩阵。
• 拥有一个与 $Id\otimes A^{h-1}\otimes W$ 项相关的“same matching”QK数据流程。

尽管作者不确定来自Detecting Copying部分的特征值汇总统计信息是否是用于检测“copying”或“matching”矩阵的最可能的汇总统计信息，但是作者还是选择将其作为一种工作形式。如果将attention heads看作是QK特征值和OV特征值为正数的2D空间中的点，那么所有的induction heads都在最右边的角落。

也许有人会思考这些观察结果是不是循环的。作者最开始研究这写attention heads是因为它们具有大于随机概率的K-composition。但是在此情况下，作者发现K-composition创建了一个矩阵，该矩阵非常倾向于正的特征值。但是，没有任何理由表明一个大的K-composition会是一个正的K-composition。也没有任何理由支持OV数据流程应该是正的。但是，如果实现的算法是按照前文所述的用于实现induction的算法来实现的，这种结果却是作者所希望的。

方程中各个项的重要性分析

在本文较前部分，作者忽略了所有“virtual attention head”在方程中对应的项，因为作者没有观察到任何显著的V-composition。 虽然这看起来可能是对的，但是可能会犯错。 特别是，虽然每个单独的virtual attention head都不重要，但从总体上来看它们很重要。 本节将描述一种使用消融技术进行双重检查的方法。

通常，当我们在神经网络中消融某些东西时，会消融在激活操作中明确表示的东西。可以通过乘以零来实现消融。但是在这种情况下，会试图去消融一个只有在方程展开时才会存在的隐式项。可以通过尝试运行方程所描述的transformer来做到这一点，但是这会非常慢，并且当研究更深的模型时会变得更糟。

但是事实证明，有一种算法可以确定消融n阶项（即，对应于通过具有n个attention heads的V-composition的路径的项）的边际效应。该算法的关键技巧是多次运行模型，将当前的激活操作替换为之前运行模型时的激活操作。这允许限制路径的深度，消融所有阶数大于该深度的项。然后通过对比每次消融时观测到的损失之间的差异，可以得到n阶项的边际效应。

测量n阶项边际损失率的算法
第一步：运行模型，保存所有注意力模式。
第二步：运行模型，强制所有注意力模式都是所记录的版本，而不是将attention head的输出添加到residual stream中；保存输出，并用形状相同的0tensor替换输出。记录产生的损失。
第n步：运行模型，强制所有注意力模式为所记录的版本，而不是将attention head的输出添加到residual stream中；保存输出，并用该head最后一次所保存的值来替换输出。记录产生的损失。
值得注意是，将注意力模式冻结为真值可以使这种消融仅针对V-composition。尽管在某种程度上这是最简单的，专注于OV数据流程的算法，但是该算法的变体也可以用于隔离Q-composition或K-composition。

正如V-composition结果表明的那样，二阶“virtual attention head”项在模型中的边际效应非常小。（尽管它们很可能在其它模型，尤其是更大的模型中更为重要）。

作者得出的结论：为了理解two-layer attention only models，不应该优先理解二阶“virtual attention head”，而是关注直接路径（只有助于双元统计）和单独的attention head项。（这与Q-composition和K-composition无关；OV数据流程中更高阶的项是无关紧要的，仅仅排除了V-composition的重要性。Q-composition和K-composition对应了每个head中的QK数据流程中的项。）

我们可以将这些单独的attention head项进一步细分为第1层和第2层中的那些：

上述内容表明了需要关注second layer head项。

Virtual Attention Heads

尽管virtual attention heads被证明对于理解two-layer model的性能并不重要，但是作者推测它们在更大、更复杂的transformers中可能会更为重要。而且， 它们在理论上看起来非常优雅。

virtual attention heads在logit方程的扩展路径中是形式为 $(A_{h2}{A}_{h1})\otimes (...W_{OV}^{h_2}{W}_{OV}^{h_1}...)$ 的项，对用两个heads的V-composition。

关于virtual attention heads，有两件事值得注意。

首先，这种composition看起来性能非常好。作者在实验中经常可以观测到heads的注意力模式关注到前一个token，但是并没有heads的注意力模式向后关注两个tokens，这也许是因为从后两个tokens得到的任何有用的预测能力都是通过virtual heads获取的。注意力模式也能够实现更抽象的事情，例如关注当前子句的开头或句子的主语 - composition实现了诸如‘关注前一个子句的主题’之类的功能。

Q-composition和K-composition影响注意力模式，V-composition创建了上述方程中的项，这些项实际上作为一种独立单元运行，逐个第执行每个head的运算。最终得到的结果对象最好认为是heads的组成部分： $h_2\circ h_1$。得到的结果对象有自己的注意力模式： $A^{h_2\circ h_1}=A^{h_2}{A}^{h_1}$ ，其属于自己的OV矩阵为 $W_{OV}^{h_2\circ h_1}=W_{OV}^{h_2}{W}_{OV}^{h_1}$。在更深的模型中，原则上可以有更高阶的virtual attention heads，(例如 $h_3\circ h_2\circ h_1$)。

其次，有大量的virtual attention heads。正常heads的数目按照层的数目线性增长，而基于two-heads composition的virtual heads的数目是呈二次增长的，three-heads呈立方增长，以此类推。这就意味着，在理论上模型可能有更多的空间通过virtual attention heads来获取有用的预测能力。这一点特别重要，因为在某种意义上，正常的注意力头是“很大的”。head有一个单独的注意力模式，决定它关注哪个源tokens，以及从源token复制到目标token的$d_{head}$ 维度。这使得它在不需要传递太多信息的直观“小”任务中使用起来很笨拙，例如，关注前面的代词来确定文本是第几人称，或者关注时态标记来检测文本是过去、现在，还是将来时。

至此本文取得了哪些进展？

在前面的几节中，我们在理解one-layer attention-only transformers和two-layer attention-only transformers方面取得了进展。但我们的最终目标是了解一般的transformers。这项工作真的让我们更接近目标了吗？这些特殊的、有限的案例真的能解释普遍的问题吗？作者将在后续工作中探讨这个问题，但作者的总体感觉是认为上述问题的答案是肯定的，这些方法可以用于理解通用transformers的部分内容，包括大型语言模型。

一个原因是，普通的transformers包含一些似乎是primarily attentional的数据流程。甚至在MLP层存在的情况下，attention heads仍然在residual stream上工作，并且仍然可以与各个attention heads和嵌入直接交互。而且在实际中，作者发现了仅涉及attention heads和嵌入的可解释数据流程的实例。尽管作者现在可能无法理解整个模型，但可以很好地对这些部分进行逆向工程。

实际上，作者在一些大模型中发现了一些与其在toy models中所研究的类似的attention heads和数据流程。特别的，作者发现了大模型形成了许多induction heads，并且这些构建这些heads的基础构建模块是具有一个前向token head的K-composition，正如作者在本文中所述的那样。这似乎是各种规模的语言模型中上下文学习的核心驱动力，也是作者下一篇文章的主题。