更改

*'''注意力层简化表达'''

*'''注意力层简化表达'''

*<math>x_{t+1} = \sigma(Rx_t) \cdot \frac{\exp(Kx_t) \cdot (Vx_t) + \exp(W) \cdot a_t}{\exp(Kx_t) + \exp(W) \cdot b_t} </math>

*<math>x_{t+1} = \sigma(Rx_t) \cdot \frac{\exp(Kx_t) \cdot (Vx_t) + \exp(W) \cdot a_t}{\exp(Kx_t) + \exp(W) \cdot b_t} </math>

*xt​：当前时间步的输入向量；

*xt<math>x_{t}  </math>​：当前时间步的输入向量；

*xt+1​：下一时间步的输出；

*xt+1<math>x_{t+1}  </math>​：下一时间步的输出；

*R,K,V：分别表示 RWKV 中的 '''Receptance（门控）、Key、Value''' 投影矩阵；

*R,K,V：分别表示 RWKV 中的 '''Receptance（门控）、Key、Value''' 投影矩阵；

*W：时间衰减常数，是可学习参数，用于模拟历史的指数衰减；

*W：时间衰减常数，是可学习参数，用于模拟历史的指数衰减；

*at​,bt​：前一时刻累积的加权值与归一化因子，用于递归地保留历史信息；

*at​,bt<math>a_{t} ,b_{t}  </math>​：前一时刻累积的加权值与归一化因子，用于递归地保留历史信息；

*σ(Rxt​)：Receptance 门控函数，控制信息是否更新，相当于 LSTM 的门结构；

*σ(Rxt​)<math>σ(Rx_t​) </math>：Receptance 门控函数，控制信息是否更新，相当于 LSTM 的门结构；

*分数部分（分子/分母）：模拟了注意力加权求和的效果，只不过是用递推形式累积，而非对整段序列做自注意力计算。

*分数部分（分子/分母）：模拟了注意力加权求和的效果，只不过是用递推形式累积，而非对整段序列做自注意力计算。

这个表达式体现的是 '''RWKV 用递推的方式模拟注意力机制'''。不同于 [[Transformer架构|Transformer]] 的全局注意力（需要对所有 token 做乘积和归一化），RWKV 在每一个时间步只更新当前与历史的加权平均值，用指数衰减模拟注意力分布，极大地提高了推理效率。

这个表达式体现的是 '''RWKV 用递推的方式模拟注意力机制'''。不同于 [[Transformer架构|Transformer]] 的全局注意力（需要对所有 token 做乘积和归一化），RWKV 在每一个时间步只更新当前与历史的加权平均值，用指数衰减模拟注意力分布，极大地提高了推理效率。