解题思路

1) 关键算法

• Scaled Dot-Product Self-Attention 对输入 X (L×D)：

  • 线性映射：Q=XWq, K=XWk, V=XWv（均为 L×D）。
  • 打分：S = QK^T / sqrt(D)（L×L）。
  • 归一化：对 S 每行做 softmax 得到注意力矩阵 A。

题目内容

某工业制造企业在其生产线上部署了多台传感器以监控关键设备(如电机、泵、压缩机等)的运行状态。这些传感器周期性地采集设备的多维度运行数据(如温度、振动、压力、电流、转速等)，每隔固定时间窗口会生成一组时序特征数据。为了实现设备早期故障预警，需要对每一组采集到时序数据进行异常检测和评分。工程师们通过人工标记历史数据集，训练出一套多层自注意力$(Self-Attention)$+多层全连接层$(FC)$结构的神经网管模型。现在，为了模型的快速部罢与测试，需要根据题目中给定的网络权重参数，编写代码完成端到端推理，输出每一组传感器时序数据的最终导常分数。结构如下图所示:

具体说明如下：

• 每一组采集数据为一个二维矩阵，尺寸为$L$，$L$采样时序长度，$D$为每次采样包含的特征数(如:$10$个时间点、每点$5$个特征)。

• 网络结构为:两层$Self-Attention$，每层后接全连接层$FC$，最终输出异常分数。为简化起见，网络中无非线性激活函数。